HomeObjects

HomeObjects-3K 数据集是一个精选的常见家用物品图像集合，专为训练、测试和基准测试计算机视觉模型而设计。该数据集包含约 3,000 张图像和 12 个不同的对象类别，非常适合室内场景理解、智能家居设备、机器人技术和增强现实领域的研究和应用。

观看： 如何在 HomeObjects-3K 数据集上训练 Ultralytics YOLO11 | 检测、验证和 ONNX 导出

数据集结构

HomeObjects-3K 数据集被组织成以下子集：

每张图像都使用与Ultralytics YOLO格式对齐的边界框进行标记。室内照明、物体比例和方向的多样性使其在实际部署场景中具有鲁棒性。

对象类别

该数据集支持 12 个日常对象类别，涵盖家具、电子产品和装饰品。选择这些类别是为了反映室内家庭环境中常见的物品，并支持 object detection 和 object tracking 等视觉任务。

HomeObjects-3K 类

应用

HomeObjects-3K 能够在室内计算机视觉领域实现广泛的应用，涵盖研究和实际产品开发：

室内物体检测: 使用像 Ultralytics YOLO11 这样的模型来查找和定位图像中常见的家居物品，如床、椅子、灯和笔记本电脑。这有助于实时理解室内场景。

场景布局解析: 在机器人和智能家居系统中，这有助于设备了解房间的布局方式、门、窗户和家具等物体的位置，从而安全地导航并与环境正确交互。

AR应用: 为使用增强现实技术的应用程序提供物体识别功能。例如，检测电视或衣柜，并在其上显示额外的信息或效果。

教育和研究: 通过为学生和研究人员提供一个即用型数据集，用于实践具有真实示例的室内对象检测，从而支持学习和学术项目。

家庭物品清单和资产跟踪: 自动检测和列出照片或视频中的家庭物品，可用于管理物品、整理空间或可视化房地产中的家具。

数据集 YAML

HomeObjects-3K 数据集的配置通过 YAML 文件提供。此文件概述了基本信息，例如训练和验证目录的图像路径以及对象类别的列表。 您可以访问 HomeObjects-3K.yaml 直接从 Ultralytics 存储库中的文件： https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/HomeObjects-3K.yaml

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

用法

您可以使用 640 的图像大小在 HomeObjects-3K 数据集上训练 YOLO11n 模型 100 个 epoch。以下示例展示了如何开始。有关更多训练选项和详细设置，请查看训练指南。

训练示例

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

Sample Images 和注释

该数据集具有丰富的室内场景图像集合，这些图像捕捉了自然家庭环境中的各种家居物品。以下是数据集的样本视觉效果，每个视觉效果都与其对应的注释配对，以说明对象的位置、比例和空间关系。

许可和归属

HomeObjects-3K 由 Ultralytics 团队开发并根据 AGPL-3.0 许可证发布，通过适当的署名支持开源研究和商业用途。

如果您在研究中使用此数据集，请使用上述详细信息进行引用：

@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} }

常见问题

HomeObjects-3K 数据集的设计目的是什么？

HomeObjects-3K 专为提升 AI 对室内场景的理解而设计。它专注于检测日常家居用品（如床、沙发、电视和灯具），非常适合智能家居、机器人、增强现实和室内监控系统中的应用。无论您是为实时边缘设备还是学术研究训练模型，此数据集都可提供均衡的基础。

包括哪些对象类别，以及为什么选择它们？

该数据集包括 12 种最常见的家居用品：床、沙发、椅子、桌子、灯、电视、笔记本电脑、衣柜、窗户、门、盆栽植物和相框。选择这些对象是为了反映真实的室内环境，并支持机器人导航或 AR/VR 应用程序中的场景生成等多用途任务。

如何使用 HomeObjects-3K 数据集训练 YOLO 模型？

要训练像 YOLO11n 这样的 YOLO 模型，你只需要 HomeObjects-3K.yaml 配置文件和 预训练模型 权重。无论您使用 Python 还是 CLI，都可以通过单个命令启动训练。您可以根据您的目标性能和硬件设置自定义参数，例如 epoch、图像大小和批次大小。

训练示例

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

此数据集是否适合初学者级别的项目？

当然。凭借清晰的标签和标准化的 YOLO 兼容注释，HomeObjects-3K 是学生和爱好者探索室内场景中真实世界目标检测的绝佳切入点。它还可以很好地扩展到商业环境中更复杂的应用。

在哪里可以找到标注格式和 YAML 文件？

请参阅数据集 YAML部分。该格式是标准的YOLO格式，使其与大多数目标检测流程兼容。

创建于 4 个月前 ✏️ 更新于 2 个月前