HomeObjets-3K Dataset

Le jeu de données HomeObjects-3K est une collection d'images d'objets domestiques courants, conçue pour l'entraînement, le test et l'évaluation des modèles de vision par ordinateur. Avec environ 3 000 images et 12 classes d'objets distinctes, ce jeu de données est idéal pour la recherche et les applications dans le domaine de la compréhension des scènes intérieures, des appareils domestiques intelligents, de la robotique et de la réalité augmentée.

Structure de l'ensemble de données

L'ensemble de données HomeObjects-3K est organisé selon les sous-ensembles suivants :

• Ensemble de formation: Comprend 2 285 images annotées présentant des objets tels que des canapés, des chaises, des tables, des lampes, etc.
• Ensemble de validation: Comprend 404 images annotées destinées à l'évaluation des performances du modèle.

Chaque image est étiquetée à l'aide de boîtes de délimitation alignées sur la ligne de démarcation de l'image. Ultralytics YOLO d'Ultralytics. La diversité de l'éclairage intérieur, de l'échelle des objets et des orientations rend le système robuste pour les scénarios de déploiement dans le monde réel.

Classes d'objets

L'ensemble de données prend en charge 12 catégories d'objets quotidiens, couvrant le mobilier, l'électronique et les objets de décoration. Ces catégories ont été choisies pour refléter les objets courants rencontrés dans les environnements domestiques intérieurs et pour prendre en charge des tâches de vision telles que la détection et le suivi d'objets.

Applications

HomeObjects-3K permet un large éventail d'applications dans le domaine de la vision par ordinateur en intérieur, couvrant à la fois la recherche et le développement de produits dans le monde réel :

• Détection d'objets à l'intérieur: Utiliser des modèles tels que Ultralytics YOLO11 pour trouver et localiser les objets domestiques courants tels que les lits, les chaises, les lampes et les ordinateurs portables dans les images. Cela permet de comprendre en temps réel les scènes d'intérieur.

• Analyse de la disposition de la scène: Dans la robotique et les systèmes domestiques intelligents, cela aide les appareils à comprendre comment les pièces sont agencées, où se trouvent les objets tels que les portes, les fenêtres et les meubles, afin qu'ils puissent naviguer en toute sécurité et interagir correctement avec leur environnement.

• Applications AR : Activez les fonctions de reconnaissance d'objets dans les applications qui utilisent la réalité augmentée. Par exemple, détectez les téléviseurs ou les armoires et affichez des informations ou des effets supplémentaires sur ces objets.

• Éducation et recherche: Soutenir l'apprentissage et les projets universitaires en offrant aux étudiants et aux chercheurs un ensemble de données prêtes à l'emploi pour s'entraîner à la détection d'objets en intérieur à l'aide d'exemples concrets.

• Inventaire de la maison et suivi des biens: Détecter et répertorier automatiquement les objets de la maison sur des photos ou des vidéos, ce qui est utile pour gérer les biens, organiser les espaces ou visualiser le mobilier dans l'immobilier.

Jeu de données YAML

La configuration de l'ensemble de données HomeObjects-3K est fournie par un fichier YAML. Ce fichier contient des informations essentielles telles que les chemins d'accès aux images pour les répertoires de formation et de validation, ainsi que la liste des classes d'objets. Vous pouvez accéder au fichier HomeObjects-3K.yaml directement depuis le dépôt Ultralytics à l'adresse : 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: ../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

Utilisation

Vous pouvez entraîner un modèle YOLO11n sur l'ensemble de données HomeObjects-3K pour 100 époques en utilisant une taille d'image de 640. Les exemples ci-dessous montrent comment commencer. Pour plus d'options d'entraînement et de paramètres détaillés, consultez le guide d'entraînement.

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

Exemples d'images et d'annotations

L'ensemble de données comprend une riche collection d'images de scènes d'intérieur qui capturent un large éventail d'objets domestiques dans des environnements domestiques naturels. Vous trouverez ci-dessous des exemples de visuels tirés de l'ensemble de données, chacun associé aux annotations correspondantes pour illustrer la position, l'échelle et les relations spatiales des objets.

Licence et attribution

HomeObjects-3K est développé et publié par l'équipe d'Ultralytics. l'équipeUltralytics sous la licence AGPL-3.0 , supportant la recherche open-source et l'utilisation commerciale avec l'attribution appropriée.

Si vous utilisez cet ensemble de données dans votre recherche, veuillez le citer en utilisant les détails mentionnés :

@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}
}

FAQ

À quoi sert le jeu de données HomeObjects-3K ?

HomeObjects-3K est conçu pour améliorer la compréhension des scènes d'intérieur par l'IA. Il se concentre sur la détection d'objets ménagers courants, tels que les lits, les canapés, les téléviseurs et les lampes, ce qui le rend idéal pour les applications dans les maisons intelligentes, la robotique, la réalité augmentée et les systèmes de surveillance d'intérieur. Qu'il s'agisse de former des modèles pour des dispositifs de pointe en temps réel ou pour la recherche universitaire, cet ensemble de données constitue une base équilibrée.

Quelles sont les catégories d'objets incluses et pourquoi ont-elles été sélectionnées ?

L'ensemble de données comprend 12 objets domestiques parmi les plus courants : lit, canapé, chaise, table, lampe, téléviseur, ordinateur portable, armoire, fenêtre, porte, plante en pot et cadre photo. Ces objets ont été choisis pour refléter des environnements intérieurs réalistes et pour prendre en charge des tâches polyvalentes telles que la navigation robotique ou la génération de scènes dans les applications AR/VR.

Comment puis-je entraîner un modèle YOLO en utilisant l'ensemble de données HomeObjects-3K ?

Pour entraîner un modèle YOLO tel que YOLO11n, il vous suffit d'utiliser le fichier HomeObjects-3K.yaml et le fichier de configuration modèle pré-entraîné poids. Que vous utilisiez Python ou l'CLI, la formation peut être lancée à l'aide d'une seule commande. Vous pouvez personnaliser les paramètres tels que les époques, la taille de l'image et la taille du lot en fonction des performances visées et de la configuration matérielle.

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

Ce jeu de données est-il adapté à des projets de niveau débutant ?

Absolument. Avec un étiquetage propre et des annotations normalisées YOLO, HomeObjects-3K est un excellent point d'entrée pour les étudiants et les amateurs qui souhaitent explorer la détection d'objets réels dans des scénarios d'intérieur. Il est également bien adapté à des applications plus complexes dans des environnements commerciaux.

Où puis-je trouver le format d'annotation et YAML ?

Reportez-vous à la section Dataset YAML. Le format est le format standard YOLO, ce qui le rend compatible avec la plupart des pipelines de détection d'objets.

📅C réé il y a 20 jours ✏️ Mis à jour il y a 10 jours

Commentaires