Indoor Object Detection Dataset

The indoor object detection dataset is divided into three parts: the training set (94%), validation set (4%), and test set (2%), with 12,012 images for training, 490 for validation, and 245 for testing. The dataset contains a total of 12,747 images. The dataset is organized into seven classes, which are fire extinguisher, shelf, door, table, human, chair, and bin. The dataset class distribution for 7 classes: 2,693 fire extinguishers, 1,384 shelves, 8,530 doors, 3,959 tables, 5,010 humans, 9,687 chairs, and 3,475 bins. Moreover, in the training split, the chair class is most prevalent with 9,090 instances, followed by doors (8,050), humans (4,711), tables (3,731), bins (3,275), fire‑extinguishers (2,547) and shelves (1,316). The validation set shows a similar hierarchy—chairs (429) leading, then doors (305), humans (216), tables (161), bins (135), fire‑extinguishers (97) and shelves (48). In the test split, doors edge ahead with 175 instances, while chairs follow closely at 168, then humans (83), tables (67), bins (65), fire‑extinguishers (49) and shelves (20). In addition, preprocessing steps included auto-orientation and resizing all images to 640×640. To improve generalization for real-world applications, we applied data augmentation techniques, including horizontal and vertical flipping, 90-degree rotations (clockwise, counterclockwise, and upside down), random rotations within -15° to +15°, shearing within ±10° horizontally and vertically, and brightness adjustments between -15% and +15%. Additionally, this annotated, preprocessed, and augmented dataset enhances object detection accuracy in indoor scenes.

本室内目标检测数据集划分为三个子集：训练集（占比94%）、验证集（占比4%）与测试集（占比2%），其中训练集含12012张图像，验证集含490张，测试集含245张，数据集总计包含12747张图像。该数据集共涵盖7个目标类别，分别为灭火器（fire extinguisher）、货架（shelf）、门（door）、桌子（table）、人体（human）、椅子（chair）与垃圾桶（bin）。全量数据集的7个类别标注实例分布为：灭火器2693个、货架1384个、门8530个、桌子3959个、人体5010个、椅子9687个、垃圾桶3475个。在训练子集中，椅子类样本量最为丰富，共计9090个实例，其次依次为门（8050个）、人体（4711个）、桌子（3731个）、垃圾桶（3275个）、灭火器（2547个）与货架（1316个）。验证集的样本分布层级与训练子集相似，同样以椅子类（429个）位居首位，后续依次为门（305个）、人体（216个）、桌子（161个）、垃圾桶（135个）、灭火器（97个）与货架（48个）。测试子集则以门类175个样本略微领先，紧随其后的椅子类为168个，后续依次为人体（83个）、桌子（67个）、垃圾桶（65个）、灭火器（49个）与货架（20个）。此外，数据集预处理步骤包括自动图像方向校正与将所有图像统一缩放至640×640分辨率。为提升模型在实际应用场景中的泛化能力，我们采用了多种数据增强手段，包括水平与垂直翻转、90°旋转（顺时针、逆时针及上下翻转）、-15°至+15°范围内的随机旋转、水平与垂直方向±10°的剪切变换，以及亮度在-15%至+15%区间内的调整。该经过标注、预处理与数据增强的数据集，可有效提升室内场景下的目标检测精度。

搜集汇总

背景与挑战

背景概述

该数据集是一个用于室内物体检测的标注数据集，包含12,747张图像，分为训练、验证和测试集，涵盖灭火器、货架、门、桌子、人、椅子和垃圾桶共7个类别。数据集经过预处理（图像调整为640×640）和数据增强（翻转、旋转、剪切、亮度调整），旨在提高室内场景中物体检测的准确性和泛化能力。