HomeObjects-3K Veri Kümesi

HomeObjects-3K veri kümesi, bilgisayar görüşü modellerini eğitmek, test etmek ve kıyaslamak için tasarlanmış, yaygın ev eşyası görüntülerinden oluşan düzenlenmiş bir koleksiyondur. Yaklaşık 3.000 görüntü ve 12 farklı nesne sınıfı içeren bu veri kümesi, iç mekan sahne anlama, akıllı ev cihazları, robotik ve artırılmış gerçeklik alanlarındaki araştırma ve uygulamalar için idealdir.

Veri Seti Yapısı

HomeObjects-3K veri kümesi aşağıdaki alt kümelere ayrılmıştır:

• Eğitim Seti: Kanepeler, sandalyeler, masalar, lambalar ve daha fazlası gibi nesneleri içeren 2.285 adet etiketlenmiş görüntüden oluşur.
• Doğrulama Kümesi: Model performansını değerlendirmek için belirlenmiş 404 adet açıklama eklenmiş görüntü içerir.

Her görüntü, Ultralytics YOLO formatıyla hizalanmış sınırlayıcı kutular kullanılarak etiketlenir. İç mekan aydınlatmasının, nesne ölçeğinin ve yönelimlerinin çeşitliliği, onu gerçek dünya dağıtım senaryoları için sağlam kılar.

Nesne Sınıfları

Veri seti, mobilya, elektronik ve dekoratif eşyaları kapsayan 12 günlük nesne kategorisini destekler. Bu sınıflar, iç mekan ev ortamlarında karşılaşılan yaygın öğeleri yansıtacak ve nesne algılama ve nesne takibi gibi görme görevlerini destekleyecek şekilde seçilmiştir.

Uygulamalar

HomeObjects-3K, hem araştırma hem de gerçek dünya ürün geliştirmeyi kapsayan iç mekan bilgisayar görüşünde geniş bir uygulama yelpazesini mümkün kılar:

• Kapalı alan nesne tespiti: Görüntülerdeki yatak, sandalye, lamba ve dizüstü bilgisayar gibi yaygın ev eşyalarını bulmak ve konumlandırmak için Ultralytics YOLO11 gibi modelleri kullanın. Bu, kapalı alan sahnelerinin gerçek zamanlı olarak anlaşılmasına yardımcı olur.

• Sahne yerleşimi ayrıştırması: Robotik ve akıllı ev sistemlerinde bu, cihazların odaların nasıl düzenlendiğini, kapılar, pencereler ve mobilyalar gibi nesnelerin nerede olduğunu anlamalarına yardımcı olur, böylece güvenli bir şekilde gezinebilir ve çevreleriyle düzgün bir şekilde etkileşim kurabilirler.

• AR uygulamaları: Artırılmış gerçeklik kullanan uygulamalarda nesne tanıma özelliklerine güç verin. Örneğin, TV'leri veya gardıropları tespit edin ve üzerlerinde ekstra bilgiler veya efektler gösterin.

• Eğitim ve araştırma: Öğrencilere ve araştırmacılara gerçek dünya örnekleriyle iç mekan nesne tespiti pratiği yapmaları için kullanıma hazır bir veri kümesi sunarak öğrenme ve akademik projeleri destekleyin.

• Ev envanteri ve varlık takibi: Fotoğraflarda veya videolarda ev eşyalarını otomatik olarak algılayıp listelemek, eşyaları yönetmek, alanları düzenlemek veya emlakta mobilyaları görselleştirmek için kullanışlıdır.

Veri Seti YAML

HomeObjects-3K veri kümesi için yapılandırma bir YAML dosyası aracılığıyla sağlanır. Bu dosya, eğitim ve doğrulama dizinleri için görüntü yolları ve nesne sınıflarının listesi gibi temel bilgileri özetler. Şuradan erişebilirsiniz: HomeObjects-3K.yaml dosyası doğrudan Ultralytics deposundan: 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

Kullanım

640'lık bir görüntü boyutu kullanarak HomeObjects-3K veri kümesi üzerinde bir YOLO11n modelini 100 epoch için eğitebilirsiniz. Aşağıdaki örnekler, nasıl başlayacağınızı göstermektedir. Daha fazla eğitim seçeneği ve ayrıntılı ayarlar için Eğitim kılavuzuna bakın.

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

Örnek Görüntüler ve Açıklamalar

Veri kümesi, doğal ev ortamlarında çok çeşitli ev eşyalarını yakalayan zengin bir iç mekan sahne görüntüleri koleksiyonuna sahiptir. Aşağıda, nesne konumlarını, ölçeklerini ve mekansal ilişkilerini göstermek için her biri karşılık gelen açıklamalarıyla eşleştirilmiş veri kümesinden örnek görseller bulunmaktadır.

Lisans ve Atıf

HomeObjects-3K, Ultralytics ekibi tarafından AGPL-3.0 Lisansı altında geliştirilmiş ve yayınlanmıştır ve uygun atıfta bulunularak açık kaynaklı araştırmaları ve ticari kullanımı desteklemektedir.

Bu veri kümesini araştırmanızda kullanırsanız, lütfen belirtilen ayrıntıları kullanarak atıfta bulunun:

@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}
}

SSS

HomeObjects-3K veri kümesi ne için tasarlanmıştır?

HomeObjects-3K, iç mekan sahnelerinin yapay zeka ile anlaşılmasını geliştirmek için tasarlanmıştır. Yataklar, kanepeler, TV'ler ve lambalar gibi günlük ev eşyalarını tespit etmeye odaklanır ve akıllı evler, robotik, artırılmış gerçeklik ve iç mekan izleme sistemlerindeki uygulamalar için idealdir. İster gerçek zamanlı uç cihazlar için ister akademik araştırma için modeller eğitiyor olun, bu veri kümesi dengeli bir temel sağlar.

Hangi nesne kategorileri dahil edildi ve neden seçildiler?

Veri seti, en sık karşılaşılan 12 ev eşyasını içerir: yatak, kanepe, sandalye, masa, lamba, TV, dizüstü bilgisayar, gardırop, pencere, kapı, saksı bitkisi ve fotoğraf çerçevesi. Bu nesneler, gerçekçi iç ortamları yansıtacak ve robotik navigasyon veya AR/VR uygulamalarında sahne oluşturma gibi çok amaçlı görevleri destekleyecek şekilde seçilmiştir.

HomeObjects-3K veri kümesini kullanarak bir YOLO modelini nasıl eğitebilirim?

YOLO11n gibi bir YOLO modelini eğitmek için yalnızca şuna ihtiyacınız olacak: HomeObjects-3K.yaml yapılandırma dosyası ve önceden eğitilmiş model ağırlıklar. İster python ister CLI kullanıyor olun, eğitim tek bir komutla başlatılabilir. Hedef performansınıza ve donanım kurulumunuza bağlı olarak epoch sayısı, görüntü boyutu ve toplu iş boyutu gibi parametreleri özelleştirebilirsiniz.

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

Bu veri seti, başlangıç seviyesi projeler için uygun mudur?

Kesinlikle. Temiz etiketleme ve standartlaştırılmış YOLO uyumlu açıklamalarla HomeObjects-3K, iç mekan senaryolarında gerçek dünya nesne algılamayı keşfetmek isteyen öğrenciler ve meraklılar için mükemmel bir başlangıç noktasıdır. Ayrıca, ticari ortamlardaki daha karmaşık uygulamalar için de iyi ölçeklenir.

Açıklama formatını ve YAML'yi nerede bulabilirim?

Veri Kümesi YAML bölümüne bakın. Bu format, çoğu nesne algılama hattıyla uyumlu hale getiren standart YOLO formatıdır.

📅 2 ay önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar