HomeObjects-3K Veri Seti

HomeObjects-3K veri seti, bilgisayarla görme modellerini eğitmek, test etmek ve kıyaslamak için tasarlanmış, yaygın ev nesnesi görüntülerinden oluşan 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 Kümesi Yapısı

HomeObjects-3K veri kümesi aşağıdaki alt kümeler halinde düzenlenmiştir:

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

Her görüntü, görüntü ile hizalanmış sınırlayıcı kutular kullanılarak etiketlenir. Ultralytics YOLO biçimi. İç mekan aydınlatması, nesne ölçeği ve yönelimlerin çeşitliliği, gerçek dünya dağıtım senaryoları için sağlam olmasını sağlar.

Nesne Sınıfları

Veri kümesi mobilya, elektronik ve dekoratif eşyaları kapsayan 12 günlük nesne kategorisini desteklemektedir. Bu sınıflar, kapalı ev ortamlarında karşılaşılan yaygın öğeleri yansıtacak ve nesne algılama ve nesne izleme gibi görüş görevlerini destekleyecek şekilde seçilmiştir.

Uygulamalar

HomeObjects-3K, hem araştırma hem de gerçek dünyadaki ürün geliştirmeyi kapsayan iç mekan bilgisayarla görme alanında geniş bir uygulama yelpazesi sağlar:

• İç mekan nesne algılama: Gibi modelleri kullanın Ultralytics YOLO11 görüntülerde yatak, sandalye, lamba ve dizüstü bilgisayar gibi yaygın ev eşyalarını bulmak ve konumlandırmak için. Bu, iç mekan sahnelerinin gerçek zamanlı olarak anlaşılmasına yardımcı olur.

• Sahne düzeni ayrıştırma: Robotik ve akıllı ev sistemlerinde bu, cihazların odaların nasıl düzenlendiğini, kapı, pencere ve mobilya gibi nesnelerin nerede olduğunu anlamalarına yardımcı olur, böylece güvenli bir şekilde gezinebilir ve çevreleriyle düzgün bir şekilde etkileşime girebilirler.

• AR uygulamaları: Artırılmış gerçeklik kullanan uygulamalarda nesne tanıma özelliklerini güçlendirin. Örneğin, TV'leri veya gardıropları algılayın ve üzerlerinde ekstra bilgiler veya efektler gösterin.

• Eğitim ve araştırma: Öğrencilere ve araştırmacılara gerçek dünyadan örneklerle iç mekan nesne algılama pratiği yapmaları için kullanıma hazır bir veri kümesi sunarak öğrenimi ve akademik projeleri destekleyin.

• Ev envanteri ve varlık takibi: Eşyaları yönetmek, alanları düzenlemek veya gayrimenkuldeki mobilyaları görselleştirmek için yararlı olan fotoğraf veya videolardaki ev eşyalarını otomatik olarak algılayın ve listeleyin.

Veri Kümesi 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. Bu dosyaya erişebilirsiniz HomeObjects-3K.yaml adresindeki Ultralytics deposundan doğrudan dosya: 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

Kullanım

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

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 nesnelerini yakalayan zengin bir iç mekan sahne görüntüleri koleksiyonuna sahiptir. Aşağıda, nesne konumlarını, ölçeklerini ve uzamsal ilişkilerini göstermek için her biri ilgili ek açıklamalarla eşleştirilmiş veri kümesinden örnek görseller yer almaktadır.

Lisans ve Atıf

HomeObjects-3K tarafından geliştirilmiş ve piyasaya sürülmüştür. Ultralytics ekibiAGPL-3.0 Lisansı altında, açık kaynaklı araştırmaları ve uygun atıfla ticari kullanımı destekler.

Bu veri setini 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 seti ne için tasarlanmıştır?

HomeObjects-3K, yapay zekanın iç mekan sahnelerini daha iyi anlaması için geliştirilmiştir. Yataklar, kanepeler, TV'ler ve lambalar gibi günlük ev eşyalarını tespit etmeye odaklanarak akıllı evler, robotik, artırılmış gerçeklik ve iç mekan izleme sistemlerindeki uygulamalar için idealdir. İster gerçek zamanlı uç cihazlar ister akademik araştırmalar için modelleri eğitiyor olun, bu veri seti dengeli bir temel sağlar.

Hangi nesne kategorileri dahil edilmiştir ve bunlar neden seçilmiştir?

Veri kümesi en sık karşılaşılan 12 ev eşyasını içermektedir: yatak, kanepe, sandalye, masa, lamba, televizyon, dizüstü bilgisayar, gardırop, pencere, kapı, saksı bitkisi ve fotoğraf çerçevesi. Bu nesneler, gerçekçi iç mekan ortamlarını yansıtmak ve robotik navigasyon veya AR/VR uygulamalarında sahne oluşturma gibi çok amaçlı görevleri desteklemek için seçilmiştir.

YOLO veri kümesini kullanarak bir YOLO modelini nasıl eğitebilirim?

YOLO gibi bir YOLO modelini eğitmek için sadece HomeObjects-3K.yaml yapılandırma dosyası ve ön eğitimli model ağırlıklar. İster Python ister CLI kullanıyor olun, eğitim tek bir komutla başlatılabilir. Hedef performansınıza ve donanım kurulumunuza bağlı olarak epoklar, 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 seviyesindeki projeler için uygun mu?

Kesinlikle. Temiz etiketleme ve standartlaştırılmış YOLO ek açıklamalarla HomeObjects-3K, iç mekan senaryolarında gerçek dünyadaki nesne algılamayı keşfetmek isteyen öğrenciler ve hobiciler için mükemmel bir giriş noktasıdır. Ayrıca ticari ortamlardaki daha karmaşık uygulamalar için de iyi ölçeklendirilmiştir.

Ek açıklama formatını ve YAML'yi nerede bulabilirim?

Veri Kümesi YAML bölümüne bakın. Format standart YOLO'dur, bu da onu çoğu nesne algılama ardışık düzeniyle uyumlu hale getirir.

📅 22 gün önce oluşturuldu ✏️ 12 gün önce güncellendi

Yorumlar