Tập dữ liệu HomeObjects-3K

Tập dữ liệu HomeObjects-3K là một bộ sưu tập được chọn lọc kỹ lưỡng gồm các hình ảnh đồ vật gia dụng thông thường, được thiết kế để huấn luyện, kiểm thử và benchmarking các model computer vision. Với khoảng 3.000 hình ảnh và 12 lớp đối tượng riêng biệt, tập dữ liệu này rất lý tưởng cho nghiên cứu và ứng dụng trong hiểu bối cảnh trong nhà, thiết bị nhà thông minh, robotics và thực tế tăng cường.

Watch: How to Train Ultralytics YOLO26 on HomeObjects-3K Dataset | Detection, Validation & ONNX Export 🚀

Cấu trúc tập dữ liệu

Tập 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 gán nhãn với các đồ vật như ghế sofa, ghế, bàn, đèn, và nhiều vật dụng khác.
Tập xác thực (Validation Set): Bao gồm 404 hình ảnh đã được gán nhãn, được chỉ định để đánh giá hiệu suất của model.

Mỗi hình ảnh được gán nhãn bằng bounding box theo định dạng Ultralytics YOLO. Sự đa dạng về ánh sáng trong nhà, quy mô đối tượng và hướng xoay giúp tập dữ liệu này trở nên mạnh mẽ cho các kịch bản triển khai thực tế.

Các lớp đối tượng

Tập dữ liệu hỗ trợ 12 danh mục đồ vật hàng ngày, bao gồm đồ nội thất, thiết bị điện tử và các vật dụng trang trí. Các lớp này được chọn để phản ánh những món đồ phổ biến trong môi trường gia đình và hỗ trợ các tác vụ thị giác như object detection và object tracking.

!!! Tip "Các lớp HomeObjects-3K"

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

Ứng dụng

HomeObjects-3K cho phép thực hiện nhiều ứng dụng trong computer vision trong nhà, trải dài từ nghiên cứu đến phát triển sản phẩm thực tế:

Indoor object detection: Sử dụng các model như Ultralytics YOLO26 để tìm và xác định vị trí các vật dụng gia đình phổ biến như giường, ghế, đèn và laptop trong hình ảnh. Điều này giúp hiểu bối cảnh trong nhà theo thời gian thực.
Scene layout parsing: Trong các hệ thống robotics và nhà thông minh, tính năng này giúp thiết bị hiểu cách bố trí phòng, vị trí của các vật thể như cửa ra vào, cửa sổ và đồ nội thất, từ đó giúp chúng di chuyển an toàn và tương tác đúng cách với môi trường xung quanh.
AR applications: Cung cấp sức mạnh cho các tính năng object recognition trong các ứng dụng sử dụng thực tế tăng cường. Ví dụ, phát hiện TV hoặc tủ quần áo để hiển thị thêm thông tin hoặc hiệu ứng trên đó.
Education and research: Hỗ trợ học tập và các dự án học thuật bằng cách cung cấp cho sinh viên và các nhà nghiên cứu một tập dữ liệu sẵn sàng sử dụng để thực hành object detection trong nhà với các ví dụ thực tế.
Home inventory and asset tracking: Tự động phát hiện và liệt kê các vật dụng gia đình trong ảnh hoặc video, hữu ích cho việc quản lý tài sản, sắp xếp không gian hoặc trực quan hóa đồ nội thất trong bất động sản.

Dataset YAML

Cấu hình cho tập dữ liệu HomeObjects-3K được cung cấp thông qua tệp YAML. Tệp này phác thảo thông tin thiết yếu như đường dẫn hình ảnh cho các thư mục train và validation, cùng danh sách các lớp đối tượng. 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/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

Cách sử dụng

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

Ví dụ 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)

Hình ảnh và chú thích mẫu

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

Mẫu tập dữ liệu HomeObjects-3K với các đồ vật gia dụng

Giấy 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 nguồn phù hợp.

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

Trích dẫn

@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}
}

Câu hỏi thường gặp (FAQ)

Tập dữ liệu HomeObjects-3K được thiết kế để làm gì?

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

Những danh mục đối tượng nào được bao gồm và tại sao chúng được chọn?

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

Làm cách nào để tôi có thể huấn luyện một model YOLO bằng cách sử dụng tập 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 pretrained model. Cho dù bạn đang sử dụng Python hay CLI, quá trình huấn luyện có thể được khởi chạy chỉ bằng một câu 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 cấu hình phần cứng của bạn.

Ví dụ 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)

Tập dữ liệu này có phù hợp cho các dự án cấp độ người mới bắt đầu không?

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

Tôi có thể tìm định dạng chú thích và YAML ở đâu?

Tham khảo phần Dataset YAML. Định dạng này là tiêu chuẩn YOLO, làm cho nó tương thích với hầu hết các đường ống xử lý object detection.

Contributors

GLglenn-jocher⁴ RIRizwanMunawar³ RAraimbekovm¹

Created 10 thg 5, 2025Updated 2 tháng trước