Link to this sectionHomeObjects-3K 数据集#

Ultralytics HomeObjects-3K 数据集是一个室内 目标检测 数据集，包含 2,689 张图像（2,285 张用于训练，404 张用于验证），标注了 12 类常见的家居用品——床、沙发、椅子、桌子、灯、电视、笔记本电脑、衣柜、窗户、门、盆栽和相框。它专为训练和 基准测试 计算机视觉 模型而构建，目标是室内场景理解、智能家居设备、机器人技术 和增强现实。

Link to this section数据集结构#

HomeObjects-3K 数据集分为两个预定义的子集，由 HomeObjects-3K.yaml 配置文件定义：

每张图像都使用 Ultralytics YOLO 格式的边界框进行了标注，可直接用于 目标检测 和 追踪 流水线。

Link to this section物体类别#

该数据集涵盖了 12 类日常物体类别，包括室内家居环境中常见的家具、电子产品和装饰品：

Link to this section应用#

HomeObjects-3K 支持多种室内计算机视觉应用，涵盖研究和产品开发领域：

• 室内目标检测：使用 Ultralytics YOLO26 等模型来查找和定位图像中的常见家居物品，如床、椅子、灯和笔记本电脑，从而实现对室内场景的实时理解。

• 场景布局解析：帮助机器人和智能家居系统理解房间的布局方式——即门、窗和家具的位置——以便设备能够安全地导航并与环境互动。

• AR 应用：为增强现实应用中的 物体识别 功能提供动力。例如，检测电视或衣柜，并在其上叠加额外的信息或特效。

• 教育与研究：为学生和研究人员提供一个即用型数据集，用于练习基于现实世界案例的室内目标检测。

• 家庭库存与资产追踪：自动检测并列出照片或视频中的家居物品，这对于管理个人物品、整理空间或在房地产领域可视化展示家具非常有用。

若要标注你自己的室内图像、训练并管理数据集版本，请通过 Ultralytics Platform 运行完整工作流。

Link to this section数据集 YAML#

HomeObjects-3K.yaml 文件定义了数据集配置——包括训练和验证图像路径以及物体类别列表。它托管在 Ultralytics 仓库中：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用法#

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。该数据集 (390 MB) 会在首次使用时自动下载。下方的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#

下方的样本展示了数据集中一个室内场景及其边界框标注，体现了模型学习检测物体位置、比例和空间关系的效果。

Link to this section许可与归属#

HomeObjects-3K 由 Ultralytics 团队 开发并发布，采用 AGPL-3.0 License，在署名的情况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，请使用所述详细信息对其进行引用：

@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常见问题解答#

Link to this sectionHomeObjects-3K 数据集的用途是什么？#

HomeObjects-3K 专为检测室内场景中的日常家居物品（如床、沙发、电视和灯）而设计。这使其非常适合用于智能家居、机器人、增强现实和室内监控系统，既适用于实时边缘部署，也适用于学术研究。

Link to this sectionHomeObjects-3K 数据集中包含多少张图像和类别？#

HomeObjects-3K 总共包含 2,689 张图像——2,285 张用于训练，404 张用于验证——没有单独的测试集。每张图像都标注了 12 类物体：床、沙发、椅子、桌子、灯、电视、笔记本电脑、衣柜、窗户、门、盆栽和相框。

Link to this section包含了哪些物体类别，为什么选择这些类别？#

该数据集包括 12 种最常见的家居物品：床、沙发、椅子、桌子、灯、电视、笔记本电脑、衣柜、窗户、门、盆栽和相框。选择这些物体是为了反映真实的室内环境，并支持诸如机器人导航和 AR/VR 应用中的场景理解等任务。

Link to this section我该如何下载 HomeObjects-3K 数据集？#

当你首次使用 data="HomeObjects-3K.yaml" 进行训练时，数据集 (390 MB) 会自动下载——无需手动操作。Ultralytics 会获取图像和标签并将其解压到你的本地数据集目录中。你可以在 检测数据集概览 中浏览相关数据集。

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

若要训练像 YOLO26n 这样的 YOLO 模型，你需要 HomeObjects-3K.yaml 配置文件和 预训练模型 权重。训练可以通过一条简单的 Python 或 CLI 命令启动，你可以根据目标性能和硬件自定义 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？#

是的。其标准化的 YOLO 格式标注和紧凑的规模使得 HomeObjects-3K 成为学生和业余爱好者探索现实世界室内场景目标检测的绝佳切入点。

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

请参考数据集 YAML 部分。该格式为标准的 YOLO 格式，使其与大多数目标检测流程兼容。