InicioConjunto de datos Objetos-3K
El conjunto de datos HomeObjects-3K es una colección seleccionada de imágenes de objetos domésticos comunes, diseñada para entrenar, probar y evaluar modelos de visión por ordenador. Con ~3.000 imágenes y 12 clases de objetos distintas, este conjunto de datos es ideal para la investigación y las aplicaciones en la comprensión de escenas de interiores, dispositivos domésticos inteligentes, robótica y realidad aumentada.
Estructura del conjunto de datos
El conjunto de datos HomeObjects-3K está organizado en los siguientes subconjuntos:
- Conjunto de entrenamiento: Comprende 2.285 imágenes anotadas con objetos como sofás, sillas, mesas, lámparas, etc.
- Conjunto de validación: Incluye 404 imágenes anotadas designadas para evaluar el rendimiento del modelo.
Cada imagen se etiqueta utilizando cuadros delimitadores alineados con el Ultralytics YOLO de Ultralytics. La diversidad de la iluminación interior, la escala de los objetos y las orientaciones lo hacen robusto para escenarios de despliegue en el mundo real.
Clases de objetos
El conjunto de datos incluye 12 categorías de objetos cotidianos, como muebles, aparatos electrónicos y artículos de decoración. Estas clases se han elegido para reflejar los objetos más comunes que se encuentran en los entornos domésticos interiores y facilitar tareas de visión como la detección y el seguimiento de objetos.
Clases de HomeObjects-3K
- cama
- sofá
- silla
- tabla
- lámpara
- tv
- ordenador portátil
- armario
- ventana
- puerta
- planta en maceta
- marco de fotos
Aplicaciones
HomeObjects-3K permite un amplio espectro de aplicaciones de visión por ordenador en interiores, que abarcan tanto la investigación como el desarrollo de productos en el mundo real:
-
Detección de objetos en interiores: Utilizar modelos como Ultralytics YOLO11 para encontrar y localizar objetos domésticos comunes como camas, sillas, lámparas y ordenadores portátiles en imágenes. Esto ayuda a comprender en tiempo real las escenas de interiores.
-
Análisis de la disposición de la escena: En robótica y sistemas domésticos inteligentes, ayuda a los dispositivos a entender cómo están distribuidas las habitaciones, dónde están objetos como puertas, ventanas y muebles, para que puedan navegar con seguridad e interactuar con su entorno adecuadamente.
-
Aplicaciones de RA: Potencia las funciones de reconocimiento de objetos en apps que utilicen realidad aumentada. Por ejemplo, detecta televisores o armarios y muestra información adicional o efectos sobre ellos.
-
Educación e investigación: Apoye el aprendizaje y los proyectos académicos ofreciendo a estudiantes e investigadores un conjunto de datos listo para usar para practicar la detección de objetos en interiores con ejemplos del mundo real.
-
Inventario del hogar y seguimiento de bienes: Detecte y enumere automáticamente los objetos del hogar en fotos o vídeos, útil para gestionar pertenencias, organizar espacios o visualizar muebles en inmuebles.
Conjunto de datos YAML
La configuración del conjunto de datos HomeObjects-3K se proporciona a través de un archivo YAML. Este archivo contiene información esencial, como las rutas de las imágenes para los directorios de entrenamiento y validación, y la lista de clases de objetos.
Puede acceder al archivo HomeObjects-3K.yaml directamente desde el repositorio de Ultralytics en: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/HomeObjects-3K.yaml
ultralytics.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: ../datasets/homeobjects-3K # dataset root dir
train: train/images # train images (relative to 'path') 2285 images
val: valid/images # val images (relative to 'path') 404 images
test: # test images (relative to 'path')
# 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
Utilización
Puede entrenar un modelo YOLO11n en el conjunto de datos HomeObjects-3K durante 100 épocas utilizando un tamaño de imagen de 640. Los siguientes ejemplos muestran cómo empezar. Para más opciones de entrenamiento y ajustes detallados, consulte la Guía de entrenamiento.
Ejemplo de tren
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
Ejemplos de imágenes y anotaciones
El conjunto de datos presenta una rica colección de imágenes de escenas de interior que capturan una amplia gama de objetos domésticos en entornos domésticos naturales. A continuación se muestran ejemplos visuales del conjunto de datos, cada uno de ellos emparejado con sus correspondientes anotaciones para ilustrar las posiciones, escalas y relaciones espaciales de los objetos.
Licencia y atribución
HomeObjects-3K ha sido desarrollado y publicado por el equipo deUltralytics bajo la licenciaAGPL-3.0 , que permite la investigación de código abierto y el uso comercial con la debida atribución.
Si utiliza este conjunto de datos en su investigación, cítelo utilizando los datos mencionados:
@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}
}
PREGUNTAS FRECUENTES
¿Para qué está diseñado el conjunto de datos HomeObjects-3K?
HomeObjects-3K se ha diseñado para mejorar la comprensión de las escenas de interior por parte de la IA. Se centra en la detección de objetos domésticos cotidianos, como camas, sofás, televisores y lámparas, por lo que es ideal para aplicaciones en hogares inteligentes, robótica, realidad aumentada y sistemas de control de interiores. Tanto si está entrenando modelos para dispositivos de vanguardia en tiempo real como para investigación académica, este conjunto de datos proporciona una base equilibrada.
¿Qué categorías de objetos se incluyen y por qué se han seleccionado?
El conjunto de datos incluye 12 de los objetos domésticos más comunes: cama, sofá, silla, mesa, lámpara, televisor, ordenador portátil, armario, ventana, puerta, maceta y marco de fotos. Estos objetos se eligieron para reflejar ambientes interiores realistas y para apoyar tareas polivalentes como la navegación robótica o la generación de escenas en aplicaciones AR/VR.
¿Cómo puedo entrenar un modelo YOLO utilizando el conjunto de datos HomeObjects-3K?
Para entrenar un modelo YOLO como YOLO11n, sólo necesitará el archivo HomeObjects-3K.yaml y el archivo de configuración modelo preentrenado pesos. Tanto si utiliza Python como la CLI, el entrenamiento puede iniciarse con un único comando. Puedes personalizar parámetros como las épocas, el tamaño de la imagen y el tamaño del lote en función del rendimiento y la configuración de hardware que desees.
Ejemplo de tren
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
¿Es este conjunto de datos adecuado para proyectos de nivel principiante?
Absolutamente. Con un etiquetado limpio y anotaciones estandarizadas YOLO, HomeObjects-3K es un excelente punto de entrada para estudiantes y aficionados que deseen explorar la detección de objetos en el mundo real en escenarios interiores. También es adecuado para aplicaciones más complejas en entornos comerciales.
¿Dónde puedo encontrar el formato de anotación y YAML?
Consulte la sección YAML del conjunto de datos. El formato es el estándar YOLO, por lo que es compatible con la mayoría de los procesos de detección de objetos.
