Link to this sectionBộ dữ liệu HomeObjects-3K#

Bộ dữ liệu HomeObjects-3K là một tập hợp các hình ảnh vật thể gia dụng phổ biến, được thiết kế để huấn luyện, kiểm thử và đánh giá chuẩn các model thị giác máy tính. Với khoảng 3.000 hình ảnh và 12 lớp vật thể riêng biệt, bộ dữ liệu này lý tưởng cho nghiên cứu và các ứng dụng trong hiểu bối cảnh trong nhà, thiết bị nhà thông minh, robot và thực tế tăng cường.

Link to this sectionCấu trúc tập dữ liệu#

Bộ dữ liệu HomeObjects-3K được tổ chức thành các tập con sau:

• Tập huấn luyện (Training Set): Bao gồm 2.285 hình ảnh đã được chú thích, tập trung vào các vật thể như ghế sofa, ghế ngồi, bàn, đèn và nhiều vật dụng khác.
• Tập xác thực (Validation Set): Bao gồm 404 hình ảnh đã được chú thích, dùng để đánh giá hiệu suất của model.

Mỗi hình ảnh được dán nhãn bằng các khung bao (bounding boxes) tuân thủ định dạng Ultralytics YOLO. Sự đa dạng về ánh sáng trong nhà, quy mô vật thể và góc nhìn giúp bộ dữ liệu này trở nên mạnh mẽ trong các tình huống triển khai thực tế.

Link to this sectionCác lớp vật thể#

Bộ dữ liệu hỗ trợ 12 danh mục vật thể hàng ngày, bao gồm đồ nội thất, đồ điện tử và vật phẩm trang trí. Các lớp này được chọn lọc để phản ánh những món đồ phổ biến trong môi trường gia đình và hỗ trợ các tác vụ thị giác như phát hiện vật thể và theo dõi vật thể.

Link to this sectionỨng dụng#

HomeObjects-3K mở ra nhiều phạm vi ứng dụng trong thị giác máy tính trong nhà, bao gồm cả nghiên cứu và phát triển sản phẩm thực tế:

• Phát hiện vật thể trong nhà: Sử dụng các model như Ultralytics YOLO26 để tìm và định vị các vật dụng gia đình phổ biến như giường, ghế, đèn và laptop trong ảnh. Điều này giúp hiểu bối cảnh trong nhà theo thời gian thực.

• Phân tích bố cục cảnh quan: Trong robot và hệ thống nhà thông minh, điều này giúp thiết bị hiểu cách sắp xếp các căn phòng, vị trí các vật thể như cửa, cửa sổ và đồ nội thất, từ đó giúp chúng điều hướng an toàn và tương tác đúng cách với môi trường xung quanh.

• Ứng dụng AR: Cung cấp năng lượng cho các tính năng nhận diện vật thể trong các ứng dụng sử dụng thực tế tăng cường. Ví dụ, phát hiện tivi hoặc tủ quần áo để hiển thị thêm thông tin hoặc hiệu ứng lên chúng.

• Giáo dục và nghiên cứu: Hỗ trợ việc học tập và các dự án học thuật bằng cách cung cấp cho sinh viên và các nhà nghiên cứu một bộ dữ liệu sẵn sàng để thực hành phát hiện vật thể trong nhà với các ví dụ thực tế.

• Quản lý kiểm kê gia đình và theo dõi tài sản: Tự động phát hiện và liệt kê các vật dụng trong nhà qua ảnh hoặc video, hữu ích cho việc quản lý đồ đạc, tổ chức không gian hoặc hình dung đồ nội thất trong lĩnh vực bất động sản.

Link to this sectionYAML tập dữ liệu#

Cấu hình cho bộ dữ liệu HomeObjects-3K được cung cấp thông qua một tệp YAML. Tệp này phác thảo các thông tin thiết yếu như đường dẫn hình ảnh cho các thư mục huấn luyện và xác thực, cũng như danh sách các lớp vật thể. Bạn có thể truy cập tệp HomeObjects-3K.yaml trực tiếp từ kho lưu trữ Ultralytics tại: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/HomeObjects-3K.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# HomeObjects-3K dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/homeobjects-3k
# Example usage: yolo train data=HomeObjects-3K.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── homeobjects-3K ← downloads here (390 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: homeobjects-3K # dataset root dir
train: images/train # train images (relative to 'path') 2285 images
val: images/val # val images (relative to 'path') 404 images

# Classes
names:
  0: bed
  1: sofa
  2: chair
  3: table
  4: lamp
  5: tv
  6: laptop
  7: wardrobe
  8: window
  9: door
  10: potted plant
  11: photo frame

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/homeobjects-3K.zip

Link to this sectionCách sử dụng#

Bạn có thể huấn luyện một model YOLO26n trên bộ dữ liệu HomeObjects-3K trong 100 epoch sử dụng kích thước ảnh 640. Các ví dụ bên dưới cho thấy cách bắt đầu. Để biết thêm các tùy chọn huấn luyện và cài đặt chi tiết, hãy xem hướng dẫn Huấn luyện.

from ultralytics import YOLO

# Load pretrained model
model = YOLO("yolo26n.pt")

# Train the model on HomeObjects-3K dataset
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)

Link to this sectionHình ảnh mẫu và chú thích#

Bộ dữ liệu có một bộ sưu tập phong phú các hình ảnh cảnh trong nhà, ghi lại nhiều loại vật thể gia dụng trong môi trường nhà tự nhiên. Dưới đây là các hình ảnh mẫu từ bộ dữ liệu, mỗi hình ảnh đi kèm với các chú thích tương ứng để minh họa vị trí, quy mô và mối quan hệ không gian của vật thể.

Link to this sectionGiấy phép và ghi công#

HomeObjects-3K được phát triển và phát hành bởi đội ngũ Ultralytics theo Giấy phép AGPL-3.0, hỗ trợ nghiên cứu mã nguồn mở và sử dụng thương mại với sự ghi nhận phù hợp.

Nếu bạn sử dụng bộ dữ liệu này trong nghiên cứu của mình, vui lòng trích dẫn nó bằng các chi tiết được đề cập:

@dataset{Jocher_Ultralytics_Datasets_2025,
    author = {Jocher, Glenn and Rizwan, Muhammad},
    license = {AGPL-3.0},
    month = {May},
    title = {Ultralytics Datasets: HomeObjects-3K Detection Dataset},
    url = {https://docs.ultralytics.com/datasets/detect/homeobjects-3k/},
    version = {1.0.0},
    year = {2025}
}

Link to this sectionCâu hỏi thường gặp#

Link to this sectionBộ dữ liệu HomeObjects-3K được thiết kế để làm gì?#

HomeObjects-3K được chế tạo để thúc đẩy khả năng hiểu cảnh trong nhà của AI. Nó tập trung vào việc phát hiện các vật dụng gia đình hàng ngày—như giường, sofa, tivi và đèn—giúp nó trở nên lý tưởng cho các ứng dụng trong nhà thông minh, robot, thực tế tăng cường và hệ thống giám sát nội thất. Cho dù bạn đang huấn luyện model cho các thiết bị biên thời gian thực hay nghiên cứu học thuật, bộ dữ liệu này cung cấp một nền tảng cân bằng.

Link to this sectionNhững danh mục vật thể nào được bao gồm và tại sao chúng được chọn?#

Bộ dữ liệu bao gồm 12 vật dụng gia đình phổ biến nhất: giường, sofa, ghế, bàn, đèn, tivi, laptop, tủ quần áo, cửa sổ, cửa ra vào, cây cảnh và khung ảnh. Các vật thể này được chọn để phản ánh môi trường trong nhà thực tế và hỗ trợ các tác vụ đa năng như điều hướng robot hoặc tạo cảnh trong ứng dụng AR/VR.

Link to this sectionLàm thế nào để tôi có thể huấn luyện một model YOLO sử dụng bộ dữ liệu HomeObjects-3K?#

Để huấn luyện một model YOLO như YOLO26n, bạn chỉ cần tệp cấu hình HomeObjects-3K.yaml và các trọng số model được huấn luyện trước. Cho dù bạn đang sử dụng Python hay CLI, việc huấn luyện có thể được khởi chạy bằng một lệnh duy nhất. Bạn có thể tùy chỉnh các tham số như epoch, kích thước ảnh và batch size tùy thuộc vào hiệu suất mục tiêu và thiết lập phần cứng của bạn.

from ultralytics import YOLO

# Load pretrained model
model = YOLO("yolo26n.pt")

# Train the model on HomeObjects-3K dataset
model.train(data="HomeObjects-3K.yaml", epochs=100, imgsz=640)

Link to this sectionBộ dữ liệu này có phù hợp cho các dự án cấp độ người mới bắt đầu không?#

Chắc chắn rồi. Với việc dán nhãn sạch sẽ và các chú thích tương thích với YOLO tiêu chuẩn, HomeObjects-3K là một điểm khởi đầu tuyệt vời cho sinh viên và những người đam mê muốn khám phá khả năng phát hiện vật thể thực tế trong các tình huống trong nhà. Nó cũng có khả năng mở rộng tốt cho các ứng dụng phức tạp hơn trong môi trường thương mại.

Link to this sectionTôi có thể tìm định dạng chú thích và YAML ở đâu?#

Hãy tham khảo phần Dataset YAML. Định dạng này là YOLO tiêu chuẩn, giúp nó tương thích với hầu hết các đường ống (pipeline) phát hiện vật thể.