Набор данных для сегментации пакетов

Набор данных Package Segmentation Dataset, доступный на Roboflow Universe, - это коллекция изображений, специально созданная для задач, связанных с сегментацией пакетов в области компьютерного зрения. Этот набор данных предназначен для помощи исследователям, разработчикам и энтузиастам, работающим над проектами, связанными с идентификацией, сортировкой и обработкой пакетов, в первую очередь с задачами сегментации изображений.

Смотреть: Модель сегментации пакетов с помощью Ultralytics YOLO11 | Промышленные пакеты 🎉

Содержащий разнообразный набор изображений, демонстрирующих различные упаковки в различных контекстах и средах, набор данных служит ценным ресурсом для обучения и оценки моделей сегментации. Если вы занимаетесь логистикой, автоматизацией склада или любым другим приложением, требующим точного анализа упаковки, набор данных Package Segmentation Dataset предоставляет целевой и полный набор изображений для повышения производительности ваших алгоритмов компьютерного зрения. Ознакомьтесь с другими наборами данных для задач сегментации на нашей странице обзора наборов данных.

Структура набора данных

Данные в наборе данных Package Segmentation Dataset распределены следующим образом:

Обучающий набор: Включает в себя 1920 изображений, сопровождаемых соответствующими аннотациями.
Набор для тестирования: Состоит из 89 изображений, каждое из которых сопряжено с соответствующими аннотациями.
Валидационный набор: Состоит из 188 изображений, каждое из которых снабжено соответствующими аннотациями.

Приложения

Сегментация упаковки, осуществляемая с помощью набора данных Package Segmentation Dataset, имеет решающее значение для оптимизации логистики, улучшения доставки на последнюю милю, повышения контроля качества производства и внедрения решений для "умных городов". Этот набор данных является ключевым ресурсом, способствующим инновациям в области компьютерного зрения для разнообразных и эффективных приложений анализа упаковки - от электронной коммерции до приложений безопасности.

Умные склады и логистика

На современных складах решения на основе искусственного зрения позволяют оптимизировать операции за счет автоматизации идентификации и сортировки упаковок. Модели компьютерного зрения, обученные на этом наборе данных, могут быстро обнаруживать и сортировать упаковки в режиме реального времени, даже в сложных условиях с тусклым освещением или загроможденным пространством. Это позволяет ускорить процесс обработки, уменьшить количество ошибок и повысить общую эффективность логистических операций.

Контроль качества и обнаружение повреждений

Модели сегментации упаковки могут использоваться для выявления поврежденных упаковок путем анализа их формы и внешнего вида. Обнаруживая неровности или деформации контуров упаковки, эти модели помогают обеспечить прохождение по цепочке поставок только неповрежденных упаковок, снижая количество жалоб и возвратов. Это ключевой аспект контроля качества в производстве, жизненно важный для сохранения целостности продукции.

Набор данных YAML

Файл YAML (Yet Another Markup Language) определяет конфигурацию набора данных, включая пути, классы и другие важные детали. Для набора данных Package Segmentation файл package-seg.yaml файл хранится по адресу 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 (102 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/package-seg # dataset root dir
train: train/images # train images (relative to 'path') 1920 images
val: valid/images # val images (relative to 'path') 89 images
test: test/images # 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

Использование

Чтобы обучить Ultralytics YOLO11n на наборе данных Package Segmentation для 100 эпох с размером изображения 640, вы можете использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице "Обучение модели".

Пример поезда

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

Образцы данных и аннотации

Набор данных Package Segmentation включает в себя разнообразную коллекцию изображений, снятых с разных точек зрения. Ниже приведены примеры данных из этого набора, сопровождаемые соответствующими масками сегментации:

Образец изображения из набора данных

На этом изображении показан пример сегментации пакетов с аннотированными масками, очерчивающими распознанные объекты пакетов. Набор данных включает в себя разнообразную коллекцию изображений, сделанных в разных местах, в разных условиях и с разной плотностью. Он служит всеобъемлющим ресурсом для разработки моделей, специфичных для этой задачи сегментации.
Этот пример подчеркивает разнообразие и сложность набора данных, подчеркивая важность высококачественных данных для задач компьютерного зрения, связанных с сегментацией пакетов.

Преимущества использования YOLO11 для сегментации пакетов

Ultralytics YOLO11 обладает рядом преимуществ для решения задач сегментации пакетов:

Баланс скорости и точности: YOLO11 достигает высокой точности и эффективности, что делает его идеальным для выводов в режиме реального времени в быстро меняющихся логистических средах. Он обеспечивает сильный баланс по сравнению с такими моделями, как YOLOv8.
Адаптивность: Модели, обученные с помощью YOLO11 , могут адаптироваться к различным складским условиям, от тусклого освещения до загроможденных помещений, обеспечивая надежную работу.
Масштабируемость: В периоды пиковых нагрузок, например в праздничные дни, модели YOLO11 могут эффективно масштабироваться для обработки увеличенных объемов посылок без ущерба для производительности и точности.
Возможности интеграции: YOLO11 можно легко интегрировать с существующими системами управления складом и развернуть на различных платформах, используя такие форматы, как ONNX или TensorRTчто позволяет создавать сквозные автоматизированные решения.

Цитаты и благодарности

Если вы используете набор данных Package Segmentation в своих исследованиях или разработках, пожалуйста, укажите соответствующую ссылку на источник:

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 },
}

Мы выражаем благодарность создателям набора данных Package Segmentation за их вклад в сообщество компьютерного зрения. Для дальнейшего изучения наборов данных и обучения моделей посетите нашу страницу Ultralytics Datasets и наше руководство по обучению моделей.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое Package Segmentation Dataset и как он может помочь в проектах по компьютерному зрению?

Набор данных Package Segmentation Dataset - это коллекция изображений, предназначенная для решения задач, связанных с сегментацией изображений пакетов. Она включает в себя разнообразные изображения пакетов в различных контекстах, что делает ее бесценной для обучения и оценки моделей сегментации. Этот набор данных особенно полезен для приложений в логистике, автоматизации складов и любых проектов, требующих точного анализа упаковки.

Как обучить модель Ultralytics YOLO11 на наборе данных Package Segmentation Dataset?

Вы можете обучить Ultralytics YOLO11 используя методы Python и CLI . Используйте фрагменты кода, приведенные в разделе "Использование". Более подробную информацию об аргументах и конфигурациях см. на странице "Обучение модели".

Из каких компонентов состоит набор данных сегментации пакетов и как он структурирован?

Набор данных состоит из трех основных компонентов:
- Обучающий набор: Содержит 1920 изображений с аннотациями.
- Набор для тестирования: Состоит из 89 изображений с соответствующими аннотациями.
- Валидационный набор: Включает 188 изображений с аннотациями.
Такая структура обеспечивает сбалансированный набор данных для тщательного обучения, валидации и тестирования моделей в соответствии с лучшими практиками, изложенными в руководствах по оценке моделей.

Почему следует использовать Ultralytics YOLO11 с набором данных Package Segmentation Dataset?

Ultralytics YOLO11 обеспечивает современную точность и скорость для задач обнаружения и сегментации объектов в режиме реального времени. Использование его с набором данных Package Segmentation Dataset позволяет использовать возможности YOLO11 для точной сегментации упаковки, что особенно полезно для таких отраслей, как логистика и автоматизация складов.

Как я могу получить доступ и использовать файл package-seg.yaml для набора данных сегментации пакетов?

Сайт package-seg.yaml Файл размещен в репозитории GitHub компании Ultralytics и содержит важную информацию о путях, классах и конфигурации набора данных. Вы можете просмотреть или скачать его по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml. Этот файл очень важен для настройки моделей на эффективное использование набора данных. Для получения дополнительной информации и практических примеров изучите наши Python Использование раздел.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад