HomeObjects-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），涵盖 12 个常见的日常家居类别——床、沙发、椅子、桌子、台灯、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，面向室内场景理解、智能家居设备、机器人和增强现实。

数据集结构#

HomeObjects-3K 数据集被划分为两个预定义的子集，由 HomeObjects-3K.yaml 配置定义：

每张图像都使用Ultralytics YOLO格式的边界框进行标注，随时可用于目标检测和跟踪流程。

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：

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：使用诸如 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、台灯和笔记本电脑，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效果。

• 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。

要在浏览器中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 运行完整的工作流。

数据集 YAML#

HomeObjects-3K.yaml 文件定义了数据集配置——训练和验证图像路径以及对象类别列表。它维护在 Ultralytics 仓库中，地址为 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

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。数据集（390 MB）会在首次使用时自动下载。下面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)

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。

许可与归属#

HomeObjects-3K 由 Ultralytics 团队 在 AGPL-3.0 许可证下开发和发布，在给予适当署名的前提下支持开源研究和商业使用。

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}
}

常见问题解答#