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（object detection）数据集分为训练集（94%）、验证集（4%）与测试集（2%），其中训练集包含12012张图像，验证集490张，测试集245张，数据集总计12747张图像。
该数据集共涵盖7个类别，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）。
7个类别的全局样本分布为：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。在训练拆分集中，椅子类别样本量最多，达9090个，其次为门（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集相似，同样以椅子（429个）为首，随后依次为门（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）。在测试拆分集中，门以175个样本略微领先，紧随其后的椅子为168个，其余依次为人体（83个）、桌子（67个）、垃圾桶（65个）、灭火器（49个）与货架（20个）。
此外，数据集预处理流程包括自动图像方向校正与将所有图像统一调整至640×640分辨率。为提升模型在实际场景中的泛化能力，我们采用了多种数据增强技术，包括水平与垂直翻转、90度旋转（顺时针、逆时针与上下翻转）、-15°至+15°范围内的随机旋转、水平与垂直方向±10°的剪切变换，以及亮度调整幅度控制在-15%至+15%之间。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

该数据集是一个室内物体检测数据集，包含12,747张图像，分为训练集（94%）、验证集（4%）和测试集（2%）。数据集包含7个类别：灭火器、架子、门、桌子、人、椅子和垃圾桶，其中椅子类别的实例最多。所有图像经过自动定向和调整大小至640×640，并应用了多种数据增强技术以提高泛化能力。