HomeOggetti-3K Set di dati

Il dataset HomeObjects-3K è una raccolta curata di immagini di oggetti domestici comuni, progettata per l'addestramento, il test e il benchmarking di modelli di computer vision. Con circa 3.000 immagini e 12 classi distinte di oggetti, questo set di dati è ideale per la ricerca e le applicazioni nella comprensione della scena interna, nei dispositivi domestici intelligenti, nella robotica e nella realtà aumentata.

Struttura del set di dati

Il set di dati HomeObjects-3K è organizzato nei seguenti sottoinsiemi:

• Set di allenamento: Comprende 2.285 immagini annotate con oggetti come divani, sedie, tavoli, lampade e altro.
• Set di convalida: Include 404 immagini annotate destinate alla valutazione delle prestazioni del modello.

Ciascuna immagine viene etichettata utilizzando caselle di delimitazione allineate con l'immagine Ultralytics YOLO Ulralytics. La diversità dell'illuminazione interna, della scala degli oggetti e degli orientamenti rende il sistema robusto per gli scenari di utilizzo reali.

Classi di oggetti

Il set di dati supporta 12 categorie di oggetti di uso quotidiano, tra cui mobili, elettronica e oggetti decorativi. Queste classi sono state scelte per riflettere gli oggetti più comuni che si incontrano negli ambienti domestici interni e per supportare compiti di visione come il rilevamento e il tracciamento degli oggetti.

Applicazioni

HomeObjects-3K consente un ampio spettro di applicazioni nella visione computerizzata per interni, sia per la ricerca che per lo sviluppo di prodotti reali:

• Rilevamento di oggetti in interni: Utilizzare modelli come Ultralytics YOLO11 per trovare e localizzare nelle immagini oggetti domestici comuni come letti, sedie, lampade e computer portatili. Questo aiuta a comprendere in tempo reale le scene in interni.

• Analisi del layout della scena: Nella robotica e nei sistemi domestici intelligenti, aiuta i dispositivi a capire come sono disposte le stanze, dove si trovano oggetti come porte, finestre e mobili, in modo da poter navigare in sicurezza e interagire correttamente con l'ambiente.

• Applicazioni AR: Alimentare le funzioni di riconoscimento degli oggetti nelle applicazioni che utilizzano la realtà aumentata. Ad esempio, rilevare televisori o armadi e mostrare informazioni o effetti aggiuntivi su di essi.

• Istruzione e ricerca: Supportare l'apprendimento e i progetti accademici fornendo a studenti e ricercatori un set di dati pronto all'uso per esercitarsi nel rilevamento di oggetti in ambienti interni con esempi reali.

• Inventario della casa e tracciamento dei beni: Rileva ed elenca automaticamente gli oggetti della casa in foto o video, utili per la gestione degli oggetti, l'organizzazione degli spazi o la visualizzazione dei mobili negli immobili.

Set di dati YAML

La configurazione del set di dati HomeObjects-3K è fornita attraverso un file YAML. Questo file contiene informazioni essenziali, come i percorsi delle immagini per le directory di addestramento e di validazione e l'elenco delle classi di oggetti. È possibile accedere al file HomeObjects-3K.yaml direttamente dal repository di Ultralytics all'indirizzo: 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

Utilizzo

È possibile addestrare un modello YOLO11n sul set di dati HomeObjects-3K per 100 epoch, utilizzando un'immagine di dimensioni pari a 640. Gli esempi che seguono mostrano come iniziare. Per ulteriori opzioni di addestramento e impostazioni dettagliate, consultare la Guida all'addestramento.

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

Immagini di esempio e annotazioni

Il set di dati presenta una ricca collezione di immagini di scene interne che catturano un'ampia gamma di oggetti domestici in ambienti domestici naturali. Di seguito sono riportate alcune immagini campione del set di dati, ciascuna abbinata alle annotazioni corrispondenti per illustrare le posizioni, le scale e le relazioni spaziali degli oggetti.

Licenza e attribuzione

HomeObjects-3K è sviluppato e rilasciato dal team di team diUltralytics sotto la licenzaAGPL-3.0 , che supporta la ricerca open-source e l'uso commerciale con la dovuta attribuzione.

Se utilizzate questo set di dati nella vostra ricerca, siete pregati di citarlo utilizzando i dati indicati:

@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

A cosa serve il dataset HomeObjects-3K?

HomeObjects-3K è stato creato per migliorare la comprensione dell'intelligenza artificiale delle scene interne. Si concentra sul rilevamento di oggetti domestici di uso quotidiano, come letti, divani, televisori e lampade, rendendolo ideale per applicazioni in case intelligenti, robotica, realtà aumentata e sistemi di monitoraggio degli interni. Sia che si tratti di addestrare modelli per dispositivi edge in tempo reale o per la ricerca accademica, questo set di dati fornisce una base equilibrata.

Quali categorie di oggetti sono incluse e perché sono state selezionate?

Il set di dati comprende 12 oggetti domestici tra i più comuni: letto, divano, sedia, tavolo, lampada, televisore, computer portatile, armadio, finestra, porta, pianta in vaso e cornice. Questi oggetti sono stati scelti per riflettere ambienti interni realistici e per supportare compiti multifunzionali come la navigazione robotica o la generazione di scene in applicazioni AR/VR.

Come posso addestrare un modello YOLO utilizzando il dataset HomeObjects-3K?

Per addestrare un modello YOLO come YOLO11n, è sufficiente il modello HomeObjects-3K.yaml e il file di configurazione modello preaddestrato pesi. Sia che si utilizzi Python o la CLI, l'addestramento può essere avviato con un solo comando. È possibile personalizzare parametri come le epoche, la dimensione dell'immagine e la dimensione del batch, in base alle prestazioni e alla configurazione hardware desiderate.

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

Questo set di dati è adatto a progetti per principianti?

Assolutamente sì. Grazie all'etichettatura pulita e alle annotazioni standardizzate YOLO, HomeObjects-3K è un ottimo punto di partenza per studenti e hobbisti che vogliono esplorare il rilevamento di oggetti reali in scenari interni. Inoltre, è adatto ad applicazioni più complesse in ambienti commerciali.

Dove posso trovare il formato di annotazione e YAML?

Fare riferimento alla sezione YAML del set di dati. Il formato è lo standard YOLO, che lo rende compatibile con la maggior parte delle pipeline di rilevamento degli oggetti.

📅C reato 20 giorni fa ✏️ Aggiornato 10 giorni fa

Commenti