Dataset de Segmentação de Pacotes

O Package Segmentation Dataset, disponível no Roboflow Universe, é uma coleção de imagens selecionadas, especificamente adaptadas para tarefas relacionadas à segmentação de embalagens dentro do campo da visão computacional. Este dataset foi projetado para auxiliar pesquisadores, desenvolvedores e entusiastas que trabalham em projetos envolvendo identificação, triagem e manuseio de embalagens, com foco principal em tarefas de segmentação de imagens.

Assista: Treinar Modelo de Segmentação de Pacotes usando Ultralytics YOLO11 | Pacotes Industriais 🎉

Contendo um conjunto diversificado de imagens que exibem vários pacotes em diferentes contextos e ambientes, o conjunto de dados serve como um recurso valioso para treinar e avaliar modelos de segmentação. Quer esteja envolvido em logística, automação de armazéns ou qualquer aplicação que exija uma análise precisa de pacotes, o Conjunto de Dados de Segmentação de Pacotes fornece um conjunto de imagens direcionado e abrangente para melhorar o desempenho dos seus algoritmos de visão computacional. Explore mais conjuntos de dados para tarefas de segmentação na nossa página de visão geral de conjuntos de dados.

Estrutura do Conjunto de Dados

A distribuição de dados no Package Segmentation Dataset é estruturada da seguinte forma:

Conjunto de treinamento: Abrange 1920 imagens acompanhadas por suas anotações correspondentes.
Conjunto de teste: Consiste em 89 imagens, cada uma emparelhada com suas respectivas anotações.
Conjunto de Validação: Compreende 188 imagens, cada uma com anotações correspondentes.

Aplicações

O pacote de segmentação, facilitado pelo Conjunto de Dados de Segmentação de Pacotes, é crucial para otimizar a logística, aprimorar a entrega de última milha, melhorar o controle de qualidade da fabricação e contribuir para soluções de cidades inteligentes. Do e-commerce a aplicações de segurança, este conjunto de dados é um recurso fundamental, promovendo a inovação em visão computacional para diversas e eficientes aplicações de análise de pacotes.

Armazéns Inteligentes e Logística

Em armazéns modernos, as soluções de IA de visão podem otimizar as operações automatizando a identificação e a triagem de pacotes. Os modelos de visão computacional treinados neste conjunto de dados podem detectar e segmentar rapidamente pacotes em tempo real, mesmo em ambientes desafiadores com iluminação fraca ou espaços desordenados. Isso leva a tempos de processamento mais rápidos, redução de erros e melhoria da eficiência geral nas operações de logística.

Controle de Qualidade e Detecção de Danos

Modelos de segmentação de pacotes podem ser usados para identificar pacotes danificados, analisando sua forma e aparência. Ao detectar irregularidades ou deformações nos contornos dos pacotes, esses modelos ajudam a garantir que apenas pacotes intactos prossigam pela cadeia de suprimentos, reduzindo reclamações de clientes e taxas de devolução. Este é um aspecto fundamental do controle de qualidade na fabricação e é vital para manter a integridade do produto.

YAML do Conjunto de Dados

Um arquivo YAML (Yet Another Markup Language) define a configuração do conjunto de dados, incluindo caminhos, classes e outros detalhes essenciais. Para o conjunto de dados Package Segmentation, o package-seg.yaml arquivo é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml.

ultralytics/cfg/datasets/package-seg.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Package-seg dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/package-seg/
# Example usage: yolo train data=package-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── package-seg ← downloads here (103 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: package-seg # dataset root dir
train: images/train # train images (relative to 'path') 1920 images
val: images/val # val images (relative to 'path') 89 images
test: images/test # test images (relative to 'path') 188 images

# Classes
names:
  0: package

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/package-seg.zip

Utilização

Para treinar um modelo Ultralytics YOLO11n no conjunto de dados Package Segmentation por 100 épocas com um tamanho de imagem de 640, você pode usar os seguintes trechos de código. Para uma lista abrangente de argumentos disponíveis, consulte a página de Treinamento do modelo.

Exemplo de Treinamento

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained segmentation model (recommended for training)

# Train the model on the Package Segmentation dataset
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)

# Validate the model
results = model.val()

# Perform inference on an image
results = model("path/to/image.jpg")

# Load a pretrained segmentation model and start training
yolo segment train data=package-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

# Resume training from the last checkpoint
yolo segment train data=package-seg.yaml model=path/to/last.pt resume=True

# Validate the trained model
yolo segment val data=package-seg.yaml model=path/to/best.pt

# Perform inference using the trained model
yolo segment predict model=path/to/best.pt source=path/to/image.jpg

Dados de Amostra e Anotações

O dataset Package Segmentation compreende uma coleção variada de imagens capturadas de múltiplas perspectivas. Abaixo estão instâncias de dados do dataset, acompanhadas por suas respectivas máscaras de segmentação:

Imagem de amostra do conjunto de dados

Esta imagem exibe uma instância de segmentação de embalagens, apresentando máscaras anotadas delineando objetos de embalagem reconhecidos. O conjunto de dados incorpora uma coleção diversificada de imagens tiradas em diferentes locais, ambientes e densidades. Ele serve como um recurso abrangente para o desenvolvimento de modelos específicos para esta tarefa de segmentação.
O exemplo enfatiza a diversidade e a complexidade presentes no conjunto de dados, ressaltando a importância de dados de alta qualidade para tarefas de visão computacional que envolvem a segmentação de embalagens.

Benefícios de Usar o YOLO11 para Segmentação de Pacotes

Ultralytics YOLO11 oferece várias vantagens para tarefas de segmentação de pacotes:

Equilíbrio entre Velocidade e Precisão: O YOLO11 alcança alta precisão e eficiência, tornando-o ideal para inferência em tempo real em ambientes logísticos de ritmo acelerado. Ele oferece um forte equilíbrio em comparação com modelos como o YOLOv8.
Adaptabilidade: Os modelos treinados com YOLO11 podem se adaptar a várias condições de armazém, desde iluminação fraca até espaços desordenados, garantindo um desempenho robusto.
Escalabilidade: Durante períodos de pico, como as épocas festivas, os modelos YOLO11 podem ser escalados de forma eficiente para lidar com o aumento do volume de pacotes sem comprometer o desempenho ou a precisão.
Capacidades de Integração: O YOLO11 pode ser facilmente integrado com os sistemas de gerenciamento de armazém existentes e implantado em várias plataformas usando formatos como ONNX ou TensorRT, facilitando soluções automatizadas de ponta a ponta.

Citações e Agradecimentos

Se você integrar o conjunto de dados Package Segmentation em suas iniciativas de pesquisa ou desenvolvimento, cite a fonte de forma apropriada:

BibTeX

@misc{ factory_package_dataset,
    title = { factory_package Dataset },
    type = { Open Source Dataset },
    author = { factorypackage },
    url = { https://universe.roboflow.com/factorypackage/factory_package },
    journal = { Roboflow Universe },
    publisher = { Roboflow },
    year = { 2024 },
    month = { jan },
    note = { visited on 2024-01-24 },
}

Expressamos nossa gratidão aos criadores do conjunto de dados de Segmentação de Pacotes por sua contribuição à comunidade de visão computacional. Para uma maior exploração de conjuntos de dados e treinamento de modelos, considere visitar nossa página de Conjuntos de Dados Ultralytics e nosso guia sobre dicas de treinamento de modelos.

FAQ

O que é o Dataset de Segmentação de Embalagens e como ele pode ajudar em projetos de visão computacional?

O Package Segmentation Dataset é uma coleção de imagens selecionadas, personalizadas para tarefas que envolvem segmentação de imagens de embalagens. Inclui diversas imagens de embalagens em vários contextos, tornando-o inestimável para treinar e avaliar modelos de segmentação. Este dataset é particularmente útil para aplicações em logística, automação de armazéns e qualquer projeto que exija análise precisa de embalagens.

Como faço para treinar um modelo Ultralytics YOLO11 no Dataset de Segmentação de Pacotes?

Você pode treinar um modelo Ultralytics YOLO11 usando os métodos Python e CLI. Use os trechos de código fornecidos na seção Uso. Consulte a página de Treinamento do modelo para obter mais detalhes sobre argumentos e configurações.

Quais são os componentes do Dataset de Segmentação de Pacotes e como ele é estruturado?

O conjunto de dados é estruturado em três componentes principais:
- Conjunto de treinamento: Contém 1920 imagens com anotações.
- Conjunto de teste: Compreende 89 imagens com anotações correspondentes.
- Conjunto de Validação: Inclui 188 imagens com anotações.
Esta estrutura garante um conjunto de dados equilibrado para treinamento, validação e teste completos do modelo, seguindo as melhores práticas descritas nos guias de avaliação de modelo.

Por que devo usar Ultralytics YOLO11 com o Conjunto de Dados de Segmentação de Pacotes?

Ultralytics YOLO11 oferece precisão e velocidade de última geração para tarefas de detecção e segmentação de objetos em tempo real. Usá-lo com o Conjunto de Dados de Segmentação de Pacotes permite que você aproveite os recursos do YOLO11 para segmentação precisa de pacotes, o que é especialmente benéfico para setores como logística e automação de armazéns.

Como posso acessar e usar o arquivo package-seg.yaml para o Conjunto de Dados de Segmentação de Pacotes?

O package-seg.yaml arquivo está hospedado no repositório GitHub da Ultralytics e contém informações essenciais sobre os caminhos, classes e configuração do conjunto de dados. Você pode visualizá-lo ou baixá-lo em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml. Este arquivo é crucial para configurar seus modelos para utilizar o conjunto de dados de forma eficiente. Para mais insights e exemplos práticos, explore nosso Uso do Python secção.

📅 Criado há 1 ano ✏️ Atualizado há 3 meses