Paket Segmentasyon Veri Kümesi

Bilgisayar görüşü alanında paket segmentasyonuyla ilgili görevler için özel olarak hazırlanmış, Roboflow Universe'te bulunan Paket Segmentasyonu Veri Kümesi, özenle seçilmiş bir görüntü koleksiyonudur. Bu veri kümesi, öncelikle görüntü segmentasyonu görevlerine odaklanarak, paket tanımlama, sıralama ve işleme içeren projelerde çalışan araştırmacılara, geliştiricilere ve meraklılara yardımcı olmak için tasarlanmıştır.

İzle: Ultralytics YOLO11 Kullanarak Paket Segmentasyon Modelini Eğitin | Endüstriyel Paketler 🎉

Farklı bağlamlarda ve ortamlarda çeşitli paketleri sergileyen çeşitli bir görüntü kümesi içeren veri seti, segmentasyon modellerini eğitmek ve değerlendirmek için değerli bir kaynak görevi görür. Lojistik, depo otomasyonu veya hassas paket analizi gerektiren herhangi bir uygulamayla ilgileniyorsanız, Paket Segmentasyon Veri Seti, bilgisayar görüşü algoritmalarınızın performansını artırmak için hedeflenmiş ve kapsamlı bir görüntü kümesi sağlar. Veri setlerine genel bakış sayfamızda segmentasyon görevlerine yönelik daha fazla veri setini keşfedin.

Veri Seti Yapısı

Paket Segmentasyon Veri Kümesindeki verilerin dağılımı aşağıdaki gibi yapılandırılmıştır:

Eğitim kümesi: Karşılık gelen açıklamalarıyla birlikte 1920 görseli kapsar.
Test kümesi: Her biri kendi açıklamalarıyla eşleştirilmiş 89 görüntüden oluşur.
Doğrulama kümesi: Her biri karşılık gelen açıklamalara sahip 188 görüntüden oluşur.

Uygulamalar

Paket Segmentasyonu Veri Kümesi tarafından kolaylaştırılan Paket segmentasyonu, lojistiği optimize etmek, son kilometre teslimatını iyileştirmek, üretim kalite kontrolünü geliştirmek ve akıllı şehir çözümlerine katkıda bulunmak için çok önemlidir. E-ticaretten güvenlik uygulamalarına kadar bu veri kümesi, çeşitli ve verimli paket analiz uygulamaları için bilgisayar görüşünde yeniliği teşvik eden önemli bir kaynaktır.

Akıllı Depolar ve Lojistik

Modern depolarda, görüntü işleme yapay zeka çözümleri, paket tanımlama ve sıralamayı otomatikleştirerek operasyonları kolaylaştırabilir. Bu veri kümesi üzerinde eğitilmiş bilgisayarlı görü modelleri, loş aydınlatma veya dağınık alanlar gibi zorlu ortamlarda bile paketleri gerçek zamanlı olarak hızlı bir şekilde algılayabilir ve segmentlere ayırabilir. Bu, daha hızlı işlem sürelerine, daha az hataya ve lojistik operasyonlarında genel verimliliğin artmasına yol açar.

Kalite Kontrolü ve Hasar Tespiti

Paket segmentasyon modelleri, şekillerini ve görünümlerini analiz ederek hasarlı paketleri tanımlamak için kullanılabilir. Paket hatlarındaki düzensizlikleri veya deformasyonları tespit ederek, bu modeller yalnızca sağlam paketlerin tedarik zincirinde ilerlemesini sağlamaya yardımcı olur, müşteri şikayetlerini ve iade oranlarını azaltır. Bu, üretimde kalite kontrolünün önemli bir yönüdür ve ürün bütünlüğünü korumak için hayati öneme sahiptir.

Veri Seti YAML

Bir YAML (Yet Another Markup Language) dosyası, yollar, sınıflar ve diğer temel ayrıntılar dahil olmak üzere veri kümesi yapılandırmasını tanımlar. Paket Segmentasyon veri kümesi için, package-seg.yaml dosyası şu adreste tutulur: 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

Kullanım

640 görüntü boyutuyla 100 epok için Package Segmentation veri kümesinde bir Ultralytics YOLO11n modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.

Eğitim Örneği

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

Örnek Veri ve Açıklamalar

Paket Segmentasyonu veri kümesi, çeşitli açılardan çekilmiş çeşitli görüntülerden oluşur. Aşağıda, veri kümesinden örneklere ve bunlara karşılık gelen segmentasyon maskelerine yer verilmiştir:

Veri kümesi örnek görüntüsü

Bu görüntü, tanınan paket nesnelerini özetleyen ek açıklamalı maskeler içeren bir paket segmentasyonu örneğini göstermektedir. Veri kümesi, farklı konumlar, ortamlar ve yoğunluklarda çekilmiş çeşitli bir görüntü koleksiyonunu içerir. Bu segmentasyon görevine özel modeller geliştirmek için kapsamlı bir kaynak görevi görür.
Örnek, veri kümesinde bulunan çeşitliliği ve karmaşıklığı vurgulayarak, paket segmentasyonu içeren bilgisayarlı görü görevleri için yüksek kaliteli verilerin önemini vurgulamaktadır.

Paket Segmentasyonu için YOLO11 Kullanmanın Faydaları

Ultralytics YOLO11, paket segmentasyonu görevleri için çeşitli avantajlar sunar:

Hız ve Doğruluk Dengesi: YOLO11, yüksek hassasiyet ve verimlilik sunarak, hızlı tempolu lojistik ortamlarında gerçek zamanlı çıkarım için idealdir. YOLOv8 gibi modellere kıyasla güçlü bir denge sağlar.
Uyarlanabilirlik: YOLO11 ile eğitilmiş modeller, loş ışıktan karmaşık alanlara kadar çeşitli depo koşullarına uyum sağlayarak sağlam bir performans sağlar.
Ölçeklenebilirlik: YOLO11 modelleri, tatil sezonları gibi yoğun dönemlerde, performanstan veya doğruluktan ödün vermeden artan paket hacimlerini verimli bir şekilde işleyebilir.
Entegrasyon Yetenekleri: YOLO11, mevcut depo yönetim sistemleriyle kolayca entegre edilebilir ve uçtan uca otomatikleştirilmiş çözümleri kolaylaştırarak ONNX veya TensorRT gibi formatlar kullanılarak çeşitli platformlarda dağıtılabilir.

Alıntılar ve Teşekkürler

Paket Segmentasyonu veri kümesini araştırma veya geliştirme girişimlerinize entegre ederseniz, lütfen kaynağı uygun şekilde belirtin:

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 },
}

Package Segmentation veri kümesinin yaratıcılarına, bilgisayar görme topluluğuna katkılarından dolayı minnettarız. Daha fazla veri kümesi ve model eğitimi için lütfen Ultralytics Veri Kümeleri sayfamızı ve model eğitimi ipuçları kılavuzumuzu ziyaret etmeyi düşünün.

SSS