تخطي إلى المحتوى

مجموعة بيانات HomeObjects-3K

مجموعة بيانات HomeObjects-3K في كولاب

مجموعة بيانات HomeObjects-3K عبارة عن مجموعة منتقاة من صور الأجسام المنزلية الشائعة، وهي مصممة لتدريب واختبار وقياس نماذج الرؤية الحاسوبية. تحتوي مجموعة البيانات هذه على حوالي 3000 صورة و12 فئة متميزة من الأجسام، وهي مثالية للأبحاث والتطبيقات في فهم المشهد الداخلي والأجهزة المنزلية الذكية والروبوتات والواقع المعزز.

هيكلية مجموعة البيانات

تنقسم مجموعة بيانات HomeObjects-3K إلى المجموعات الفرعية التالية:

  • مجموعة التدريب: تتألف من 2,285 صورة مشروحة تضم أشياء مثل الأرائك والكراسي والطاولات والمصابيح وغيرها.
  • مجموعة التحقق من الصحة: تتضمن 404 صور مشروحة مخصصة لتقييم أداء النموذج.

يتم تسمية كل صورة باستخدام المربعات المحدودة المحاذاة مع Ultralytics YOLO تنسيق YOLO. إن تنوع الإضاءة الداخلية ومقياس الكائنات واتجاهاتها يجعلها قوية لسيناريوهات النشر في العالم الحقيقي.

فئات الكائنات

تدعم مجموعة البيانات 12 فئة من فئات الأغراض اليومية، والتي تغطي الأثاث والإلكترونيات وعناصر الزينة. تم اختيار هذه الفئات لتعكس العناصر الشائعة التي تصادفها في البيئات المنزلية الداخلية وتدعم مهام الرؤية مثل اكتشاف الأشياء وتتبعها.

فئات HomeObjects-3K

  1. السرير
  2. أريكة
  3. الكرسي
  4. الجدول
  5. مصباح
  6. التلفاز
  7. كمبيوتر محمول
  8. خزانة الملابس
  9. النافذة
  10. الباب
  11. أصيص النباتات
  12. إطار الصورة

التطبيقات

تتيح HomeObjects-3K طيفًا واسعًا من التطبيقات في مجال الرؤية الحاسوبية الداخلية، والتي تشمل كلاً من الأبحاث وتطوير المنتجات في العالم الحقيقي:

  • اكتشاف الأجسام في الأماكن المغلقة: استخدم نماذج مثل Ultralytics YOLO11 للعثور على العناصر المنزلية الشائعة مثل الأسرّة والكراسي والمصابيح وأجهزة الكمبيوتر المحمولة وتحديد موقعها في الصور. يساعد ذلك في فهم المشاهد الداخلية في الوقت الفعلي.

  • تحليل تخطيط المشهد: في أنظمة الروبوتات والأنظمة المنزلية الذكية، يساعد ذلك الأجهزة على فهم كيفية ترتيب الغرف، وأماكن وجود الأشياء مثل الأبواب والنوافذ والأثاث، حتى تتمكن من التنقل بأمان والتفاعل مع بيئتها بشكل صحيح.

  • تطبيقات الواقع المعزز: تشغيل ميزات التعرف على الكائنات في التطبيقات التي تستخدم الواقع المعزز. على سبيل المثال، اكتشاف أجهزة التلفاز أو خزائن الملابس وإظهار معلومات أو تأثيرات إضافية عليها.

  • التعليم والبحث: دعم المشاريع التعليمية والأكاديمية من خلال منح الطلاب والباحثين مجموعة بيانات جاهزة للاستخدام للتدرب على اكتشاف الأجسام في الأماكن المغلقة باستخدام أمثلة واقعية.

  • جرد المنزل وتتبع الأصول: اكتشاف عناصر المنزل وإدراجها تلقائيًا في الصور أو مقاطع الفيديو، وهي مفيدة لإدارة المتعلقات أو تنظيم المساحات أو تصور الأثاث في العقارات.

مجموعة البيانات YAML

يتم توفير تكوين مجموعة بيانات HomeObjects-3K من خلال ملف YAML. يحدد هذا الملف المعلومات الأساسية مثل مسارات الصور لدلائل التدريب والتحقق من الصحة، وقائمة فئات الكائنات. يمكنك الوصول إلى HomeObjects-3K.yaml الملف مباشرةً من مستودع Ultralytics على: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/HomeObjects-3K.yaml

ultralytics.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

الاستخدام

يمكنك تدريب نموذج YOLO11n على مجموعة بيانات HomeObjects-3K ل 100 حقبة باستخدام حجم صورة 640. توضح الأمثلة أدناه كيفية البدء. لمزيد من خيارات التدريب والإعدادات التفصيلية، راجع دليل التدريب.

مثال على القطار

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

عينة من الصور والتعليقات التوضيحية

تتميز مجموعة البيانات بمجموعة غنية من صور المشاهد الداخلية التي تلتقط مجموعة واسعة من الأشياء المنزلية في البيئات المنزلية الطبيعية. فيما يلي عينات مرئية من مجموعة البيانات، كل منها مقترن بالتعليقات التوضيحية المقابلة لها لتوضيح مواضع الأجسام ومقاييسها وعلاقاتها المكانية.

صورة عينة من مجموعة بيانات HomeObjects-3K، تبرز كائنات مختلفة مثل الأسرة والكرسي والباب والأرائك والنباتات

الترخيص والإسناد

تم تطوير HomeObjects-3K وإصداره بواسطة فريقUltralytics بموجب رخصةAGPL-3.0 مما يدعم البحث مفتوح المصدر والاستخدام التجاري مع الإسناد المناسب.

إذا كنت تستخدم مجموعة البيانات هذه في بحثك، يرجى الاستشهاد بها باستخدام التفاصيل المذكورة:

@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}
}

الأسئلة الشائعة

ما هي مجموعة بيانات HomeObjects-3K المصممة من أجل ماذا؟

تم تصميم HomeObjects-3K لتطوير فهم الذكاء الاصطناعي للمشاهد الداخلية. وهي تركز على اكتشاف الأدوات المنزلية اليومية - مثل الأسرّة والأرائك وأجهزة التلفاز والمصابيح - مما يجعلها مثالية للتطبيقات في المنازل الذكية والروبوتات والواقع المعزز وأنظمة المراقبة الداخلية. سواءً كنت تقوم بتدريب نماذج للأجهزة المتطورة في الوقت الفعلي أو الأبحاث الأكاديمية، توفر مجموعة البيانات هذه أساسًا متوازنًا.

ما هي فئات الكائنات التي تم تضمينها، ولماذا تم اختيارها؟

تتضمن مجموعة البيانات 12 من أكثر الأدوات المنزلية شيوعًا: سرير، وأريكة، وكرسي، وطاولة، ومصباح، وتلفاز، وجهاز كمبيوتر محمول، وخزانة ملابس، ونافذة، وباب، ونباتات في أصص، وإطار صور. تم اختيار هذه الأشياء لتعكس بيئات داخلية واقعية ولدعم المهام متعددة الأغراض مثل الملاحة الروبوتية أو توليد المشهد في تطبيقات الواقع المعزز/الواقع الافتراضي.

كيف يمكنني تدريب نموذج YOLO باستخدام مجموعة بيانات HomeObjects-3K؟

لتدريب نموذج YOLO مثل YOLO11n، ستحتاج فقط إلى HomeObjects-3K.yaml وملف التكوين و نموذج تم تدريبه مسبقًا الأوزان. سواء كنت تستخدم Python أو CLI يمكن بدء التدريب بأمر واحد. يمكنك تخصيص معلمات مثل الحقب الزمنية وحجم الصورة وحجم الدُفعات اعتمادًا على الأداء المستهدف وإعدادات الأجهزة.

مثال على القطار

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

هل مجموعة البيانات هذه مناسبة للمشاريع على مستوى المبتدئين؟

بالتأكيد. بفضل التوسيم النظيف والتعليقات التوضيحية الموحدة YOLO يعد HomeObjects-3K نقطة دخول ممتازة للطلاب والهواة الذين يرغبون في استكشاف اكتشاف الأجسام في العالم الحقيقي في سيناريوهات الأماكن المغلقة. كما أنه يتسع بشكل جيد للتطبيقات الأكثر تعقيدًا في البيئات التجارية.

أين يمكنني العثور على تنسيق التعليق التوضيحي و YAML؟

ارجع إلى قسم مجموعة البيانات YAML. التنسيق هو تنسيق YOLO قياسي، مما يجعله متوافقًا مع معظم خطوط أنابيب اكتشاف الكائنات.



📅 تم الإنشاء منذ 13 يومًا ✏️ تم التحديث منذ 3 أيام
رضوان منور

التعليقات

OSZAR »