مجموعة بيانات HomeObjects-3K

مجموعة بيانات HomeObjects-3K عبارة عن مجموعة منتقاة من صور الأدوات المنزلية الشائعة، وهي مصممة لتدريب واختبار و قياس نماذج الرؤية الحاسوبية. تتميز هذه المجموعة بحوالي 3000 صورة و 12 فئة مميزة من الأدوات، وهي مثالية للبحث والتطبيقات في فهم المشهد الداخلي، والأجهزة المنزلية الذكية، و الروبوتات، والواقع المعزز.

شاهد: كيفية تدريب Ultralytics YOLO11 على مجموعة بيانات HomeObjects-3K | الكشف والتحقق من الصحة وتصدير ONNX 🚀

هيكل مجموعة البيانات

تم تنظيم مجموعة بيانات HomeObjects-3K في المجموعات الفرعية التالية:

• مجموعة التدريب: تتكون من 2,285 صورة مشروحة تعرض كائنات مثل الأرائك والكراسي والطاولات والمصابيح وغيرها.
• مجموعة التحقق: تتضمن 404 صورة مشروحة مخصصة لتقييم أداء النموذج.

يتم تصنيف كل صورة باستخدام مربعات إحاطة متوافقة مع تنسيق Ultralytics YOLO. إن تنوع الإضاءة الداخلية ومقياس الكائنات واتجاهاتها يجعلها قوية لسيناريوهات النشر في العالم الحقيقي.

فئات الكائنات

تدعم مجموعة البيانات 12 فئة من الكائنات اليومية، تغطي الأثاث والإلكترونيات والمواد الزخرفية. تم اختيار هذه الفئات لتعكس العناصر الشائعة التي تصادفها في البيئات المنزلية الداخلية ودعم مهام الرؤية مثل اكتشاف الكائنات و تتبع الكائنات.

التطبيقات

تُمكّن HomeObjects-3K مجموعة واسعة من التطبيقات في رؤية الكمبيوتر الداخلية، والتي تغطي كلاً من البحث وتطوير المنتجات الواقعية:

• اكتشاف الكائنات الداخلية: استخدم نماذج مثل Ultralytics YOLO11 للعثور على العناصر المنزلية الشائعة وتحديد موقعها مثل الأسرة والكراسي والمصابيح وأجهزة الكمبيوتر المحمولة في الصور. يساعد هذا في الفهم في الوقت الفعلي للمشاهد الداخلية.

• تحليل تخطيط المشهد: في الروبوتات وأنظمة المنزل الذكي، يساعد هذا الأجهزة على فهم كيفية ترتيب الغرف، وأين توجد أشياء مثل الأبواب والنوافذ والأثاث، حتى تتمكن من التنقل بأمان والتفاعل مع بيئتها بشكل صحيح.

• تطبيقات الواقع المعزز: تشغيل ميزات التعرف على الكائنات في التطبيقات التي تستخدم الواقع المعزز. على سبيل المثال، اكتشف أجهزة التلفزيون أو الخزائن واعرض معلومات أو تأثيرات إضافية عليها.

• التعليم والبحث: دعم مشاريع التعلم والمشاريع الأكاديمية من خلال تزويد الطلاب والباحثين بمجموعة بيانات جاهزة للاستخدام لممارسة الكشف عن الكائنات الداخلية بأمثلة من العالم الحقيقي.

• جرد المنزل وتتبع الأصول: الكشف التلقائي عن عناصر المنزل وإدراجها في الصور أو مقاطع الفيديو، وهو أمر مفيد لإدارة المتعلقات الشخصية أو تنظيم المساحات أو تصور الأثاث في العقارات.

ملف YAML لمجموعة البيانات

يتم توفير تكوين مجموعة بيانات HomeObjects-3K من خلال ملف YAML. يحدد هذا الملف المعلومات الأساسية مثل مسارات الصور لدلائل التدريب والتحقق، وقائمة فئات الكائنات. يمكنك الوصول إلى HomeObjects-3K.yaml الملف مباشرة من مستودع Ultralytics على: 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

الاستخدام

يمكنك تدريب نموذج YOLO11n على مجموعة بيانات HomeObjects-3K لعدد 100 حقبة باستخدام حجم صورة يبلغ 640. تعرض الأمثلة أدناه كيفية البدء. لمزيد من خيارات التدريب والإعدادات التفصيلية، راجع دليل التدريب.

from ultralytics import YOLO

# Load pretrained model
model = YOLO("yolo11n.pt")

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

yolo detect train data=HomeObjects-3K.yaml model=yolo11n.pt epochs=100 imgsz=640

عينات من الصور والشروحات التوضيحية

تتميز مجموعة البيانات بمجموعة غنية من صور المشاهد الداخلية التي تلتقط مجموعة واسعة من الأدوات المنزلية في البيئات المنزلية الطبيعية. فيما يلي عينات مرئية من مجموعة البيانات، كل منها مقترن بالشروح المقابلة لتوضيح مواضع الكائنات وأحجامها والعلاقات المكانية.

الترخيص والإسناد

تم تطوير HomeObjects-3K وإصداره بواسطة فريق Ultralytics بموجب ترخيص AGPL-3.0، لدعم البحث مفتوح المصدر والاستخدام التجاري مع الإسناد المناسب.

إذا كنت تستخدم مجموعة البيانات هذه في بحثك، فيرجى الاستشهاد بها باستخدام التفاصيل المذكورة:

@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/homeobject-3k/},
    version = {1.0.0},
    year = {2025}
}

الأسئلة الشائعة

ما هو الغرض من تصميم مجموعة بيانات HomeObjects-3K؟

تم تصميم HomeObjects-3K لتعزيز فهم الذكاء الاصطناعي للمشاهد الداخلية. وهو يركز على اكتشاف الأدوات المنزلية اليومية - مثل الأسرة والأرائك وأجهزة التلفزيون والمصابيح - مما يجعله مثاليًا للتطبيقات في المنازل الذكية والروبوتات والواقع المعزز وأنظمة المراقبة الداخلية. سواء كنت تقوم بتدريب نماذج لأجهزة الحافة في الوقت الفعلي أو البحث الأكاديمي، فإن مجموعة البيانات هذه توفر أساسًا متوازنًا.

ما هي فئات الكائنات المضمنة، ولماذا تم اختيارها؟

تتضمن مجموعة البيانات 12 عنصرًا من أكثر الأدوات المنزلية شيوعًا: سرير وأريكة وكرسي وطاولة ومصباح وتلفزيون وحاسوب محمول وخزانة ملابس ونافذة وباب ونباتات محفوظ بوعاء وإطار صور. تم اختيار هذه الكائنات لتعكس البيئات الداخلية الواقعية ودعم المهام متعددة الأغراض مثل الملاحة الروبوتية أو إنشاء المشاهد في تطبيقات AR/VR.

كيف يمكنني تدريب نموذج YOLO باستخدام مجموعة بيانات HomeObjects-3K؟

لتدريب نموذج YOLO مثل YOLO11n، ستحتاج فقط إلى HomeObjects-3K.yaml ملف التكوين و نموذج مُدرَّب مسبقًا الأوزان. سواء كنت تستخدم Python أو CLI، يمكن بدء التدريب بأمر واحد. يمكنك تخصيص معلمات مثل عدد الدورات وحجم الصورة وحجم الدفعة اعتمادًا على الأداء المستهدف وإعداد الأجهزة.

from ultralytics import YOLO

# Load pretrained model
model = YOLO("yolo11n.pt")

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

yolo detect train data=HomeObjects-3K.yaml model=yolo11n.pt epochs=100 imgsz=640

هل هذه المجموعة من البيانات مناسبة للمشاريع ذات المستوى المبتدئ؟

بالتأكيد. بفضل التصنيف النظيف والتعليقات التوضيحية القياسية المتوافقة مع YOLO، تُعد HomeObjects-3K نقطة دخول ممتازة للطلاب والهواة الذين يرغبون في استكشاف الكشف عن الأجسام في العالم الحقيقي في السيناريوهات الداخلية. كما أنها تتوسع بشكل جيد للتطبيقات الأكثر تعقيدًا في البيئات التجارية.

أين يمكنني العثور على تنسيق الشرح وملف YAML؟

راجع قسم Dataset YAML. التنسيق قياسي في YOLO، مما يجعله متوافقًا مع معظم خطوط أنابيب الكشف عن الكائنات.

📅 تم الإنشاء منذ شهرين ✏️ تم التحديث منذ 0 أيام

تعليقات