Link to this sectionHomeObjects-3K 数据集#

HomeObjects-3K 数据集是一个精心整理的常见家居物品图像集合，专为训练、测试和基准测试计算机视觉模型而设计。该数据集包含约 3,000 张图像和 12 个不同的对象类别，非常适合室内场景理解、智能家居设备、机器人技术和增强现实领域的研究与应用。

Link to this section数据集结构#

HomeObjects-3K 数据集分为以下几个子集：

• 训练集：包含 2,285 张带标注的图像，涵盖沙发、椅子、桌子、灯具等对象。
• 验证集：包含 404 张带标注的图像，用于评估模型性能。

每张图像都使用与 Ultralytics YOLO 格式对齐的边界框进行标注。室内光照、对象尺度和方向的多样性使其在现实部署场景中表现稳健。

Link to this section对象类别#

该数据集支持 12 个日常对象类别，涵盖家具、电子产品和装饰品。选择这些类别是为了反映室内家居环境中常见的物品，并支持对象检测和对象追踪等视觉任务。

Link to this section应用场景#

HomeObjects-3K 在室内计算机视觉领域支持广泛的应用，涵盖研究和实际产品开发：

• 室内对象检测：使用 Ultralytics YOLO26 等模型来查找和定位图像中常见的家居用品（如床、椅子、灯具和笔记本电脑）。这有助于实时理解室内场景。

• 场景布局解析：在机器人和智能家居系统中，这有助于设备了解房间的布置方式，以及门、窗和家具等对象的位置，从而实现安全导航并与环境进行正确交互。

• AR 应用：为使用增强现实的应用程序中的对象识别功能提供支持。例如，检测电视或衣柜，并在其上显示额外信息或特效。

• 教育与研究：通过为学生和研究人员提供现成的数据集，支持学习和学术项目，练习带有真实世界示例的室内对象检测。

• 家庭库存和资产跟踪：在照片或视频中自动检测并列出家居物品，便于管理资产、整理空间或在房地产应用中可视化家具。

Link to this section数据集 YAML#

HomeObjects-3K 数据集的配置通过 YAML 文件提供。该文件概述了必要信息，如训练和验证目录的图像路径，以及对象类别列表。 你可以直接从 Ultralytics 仓库访问 HomeObjects-3K.yaml 文件：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 section使用方法#

你可以使用 640 的图像尺寸在 HomeObjects-3K 数据集上训练 YOLO26n 模型 100 个 epoch。以下示例展示了如何开始。有关更多训练选项和详细设置，请查看训练指南。

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 section样本图像和标注#

该数据集具有丰富的室内场景图像集合，捕捉了自然家居环境中各种各样的家居用品。以下是数据集中的样本视觉效果，每一张都配有相应的标注，以说明对象的位置、尺度和空间关系。

Link to this section许可与署名#

HomeObjects-3K 由 Ultralytics 团队 开发并发布，采用 AGPL-3.0 许可证，在提供适当署名的前提下支持开源研究和商业用途。

如果你在研究中使用此数据集，请使用以下详细信息引用它：

@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 section常见问题 (FAQ)#

Link to this sectionHomeObjects-3K 数据集的设计初衷是什么？#

HomeObjects-3K 旨在推进人工智能对室内场景的理解。它专注于检测日常家居用品（如床、沙发、电视和灯具），非常适合智能家居、机器人技术、增强现实和室内监控系统中的应用。无论你是为实时边缘设备训练模型还是进行学术研究，该数据集都提供了一个平衡的基础。

Link to this section包含了哪些对象类别，为什么要选择这些类别？#

该数据集包含了 12 种最常见的家居用品：床、沙发、椅子、桌子、灯具、电视、笔记本电脑、衣柜、窗户、门、盆栽植物和相框。选择这些对象是为了反映真实的室内环境，并支持诸如机器人导航或 AR/VR 应用中的场景生成等多种任务。

Link to this section如何使用 HomeObjects-3K 数据集训练 YOLO 模型？#

要训练像 YOLO26n 这样的 YOLO 模型，你只需要 HomeObjects-3K.yaml 配置文件和预训练模型权重。无论使用 Python 还是 CLI，都可以通过单个命令启动训练。你可以根据目标性能和硬件设置自定义 epoch、图像尺寸和批次大小等参数。

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 section该数据集适合初学者项目吗？#

当然适合。凭借清晰的标注和标准化的 YOLO 兼容格式，HomeObjects-3K 是学生和爱好者探索室内场景中真实世界对象检测的绝佳切入点。它同样可以很好地扩展，用于商业环境中的更复杂应用。

Link to this section在哪里可以找到标注格式和 YAML 文件？#

请参考数据集 YAML 部分。该格式是标准的 YOLO 格式，使其能够与大多数对象检测工作流程兼容。