مجموعة بيانات SKU-110K#

11,743

SKU-110K

ultralytics

publicDetect

SKU-110K is Trax Retail's densely packed shelf-product benchmark, with over 1.7 million boxes in one generic object class. It targets extreme object density, small products, overlap, and repetitive packaging for retail shelf detection, counting, and inventory analysis.

1 class17.2 GBSep 2, 2026

object

object-detectionsku110kretail+1

مجموعة بيانات SKU-110K هي مجموعة أحادية الفئة لـاكتشاف الأجسام، وتتألف من 11,743 صورة لرفوف متاجر مكتظة بالمنتجات، مقسمة إلى 8,219 صورة للتدريب و588 للتحقق و2,936 للاختبار. يُشرح كل منتج بمربع إحاطة واحد ضمن فئة واحدة هي object — ويشير الاسم إلى أكثر من 110,000 وحدة حفظ مخزون فريدة (SKUs) ظاهرة في المشاهد، لا إلى 110,000 فئة للكشف. أنشأها Eran Goldman وآخرون لورقة CVPR لعام 2019 الكشف الدقيق في المشاهد المكتظة، وهي تضم أكثر من 1.7 مليون منتج مشروح — بمتوسط يقارب 147 منتجًا في الصورة — ما يجعلها معيارًا مرجعيًا صعبًا لنماذج الرؤية الحاسوبية في بيئات البيع بالتجزئة المزدحمة.

الميزات الرئيسية#

• الكشف أحادي الفئة: يُوسم كل منتج بمربع إحاطة واحد ضمن فئة واحدة هي object (names: {0: object}) — ولا تتضمن الشروح تسميات فئات خاصة بكل SKU.
• كثافة الأجسام القصوى: يبلغ متوسط صور رفوف المتاجر من أنحاء العالم نحو 147 منتجًا متراصًا في كل صورة، وغالبًا ما تبدو الأجسام متشابهة أو متطابقة تقريبًا، وتوجد متقاربة.
• نطاق واسع: يتحدى أكثر من 110,000 SKU فريد وما يزيد على 1.7 مليون مربع إحاطة مشروح موزعة على 11,743 صورة أحدث كواشف الأجسام.

بنية مجموعة البيانات#

تنقسم مجموعة بيانات SKU-110K إلى ثلاث مجموعات فرعية، وتشترك جميعها في الفئة الوحيدة object:

التطبيقات#

تُستخدم مجموعة بيانات SKU-110K على نطاق واسع لتدريب نماذج التعلّم العميق وتقييمها في مهام اكتشاف الأجسام، ولا سيما في المشاهد المكتظة مثل عروض رفوف المتاجر. وتشمل تطبيقاتها:

• إدارة مخزون البيع بالتجزئة وأتمتته
• التعرّف على المنتجات في منصات التجارة الإلكترونية
• التحقق من الالتزام بمخططات ترتيب المنتجات
• أنظمة الدفع الذاتي في المتاجر
• الانتقاء والفرز الآليان في المستودعات

لشرح صور رفوفك وتدريب مجموعات بيانات الكشف عن المنتجات بالتجزئة وإدارتها في المتصفح، نفّذ سير العمل كاملًا باستخدام منصة Ultralytics.

ملف YAML لمجموعة البيانات#

يحدّد الملف SKU-110K.yaml تهيئة مجموعة البيانات — مسارات مجموعة البيانات وأسماء الفئات والبيانات الوصفية الأخرى. ويُصان في مستودع Ultralytics على https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/SKU-110K.yaml.

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

# SKU-110K retail items dataset https://github.com/eg4000/SKU110K_CVPR19 by Trax Retail
# Documentation: https://docs.ultralytics.com/datasets/detect/sku-110k
# Example usage: yolo train data=SKU-110K.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── SKU-110K ← downloads here (13.6 GB)

# 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: SKU-110K # dataset root dir
train: train.txt # train images (relative to 'path') 8219 images
val: val.txt # val images (relative to 'path') 588 images
test: test.txt # test images (optional) 2936 images

# Classes
names:
  0: object

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  import shutil
  from pathlib import Path

  import numpy as np
  import polars as pl

  from ultralytics.utils import TQDM
  from ultralytics.utils.downloads import download
  from ultralytics.utils.ops import xyxy2xywh

  # Download
  dir = Path(yaml["path"])  # dataset root dir
  parent = Path(dir.parent)  # download dir
  urls = ["http://trax-geometry.s3.amazonaws.com/cvpr_challenge/SKU110K_fixed.tar.gz"]
  download(urls, dir=parent)

  # Rename directories
  if dir.exists():
      shutil.rmtree(dir)
  (parent / "SKU110K_fixed").rename(dir)  # rename dir
  (dir / "labels").mkdir(parents=True, exist_ok=True)  # create labels dir

  # Convert labels
  names = "image", "x1", "y1", "x2", "y2", "class", "image_width", "image_height"  # column names
  for d in "annotations_train.csv", "annotations_val.csv", "annotations_test.csv":
      x = pl.read_csv(dir / "annotations" / d, has_header=False, new_columns=names, infer_schema_length=None).to_numpy()  # annotations
      images, unique_images = x[:, 0], np.unique(x[:, 0])
      with open((dir / d).with_suffix(".txt").__str__().replace("annotations_", ""), "w", encoding="utf-8") as f:
          f.writelines(f"./images/{s}\n" for s in unique_images)
      for im in TQDM(unique_images, desc=f"Converting {dir / d}"):
          cls = 0  # single-class dataset
          with open((dir / "labels" / im).with_suffix(".txt"), "a", encoding="utf-8") as f:
              for r in x[images == im]:
                  w, h = r[6], r[7]  # image width, height
                  xywh = xyxy2xywh(np.array([[r[1] / w, r[2] / h, r[3] / w, r[4] / h]]))[0]  # instance
                  f.write(f"{cls} {xywh[0]:.5f} {xywh[1]:.5f} {xywh[2]:.5f} {xywh[3]:.5f}\n")  # write label

الاستخدام#

لتدريب نموذج YOLO26n على مجموعة بيانات SKU-110K لمدة 100 حقبة وبحجم صورة 640، يمكنك استخدام مقتطفات الشيفرة التالية. للاطلاع على قائمة شاملة بالوسائط المتاحة، راجع صفحة تدريب النموذج.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨تدريب النموذج⁩
results = model.train(data="SKU-110K.yaml", epochs=100, imgsz=640)

البيانات النموذجية والتعليقات التوضيحية#

تلتقط صور SKU-110K منتجات متراصة على رفوف متاجر حقيقية، حيث تتجاور عشرات المنتجات المتشابهة تقريبًا. إليك صورة نموذجية مع شروحها:

• صورة رف متجر مكتظ بالمنتجات: توضح هذه الصورة مثالًا على الأجسام المكتظة في بيئة رفوف متاجر البيع بالتجزئة. تُشرح الأجسام بمربعات إحاطة ضمن الفئة الوحيدة object.

يجعل الترتيب الكثيف للمنتجات مجموعة بيانات SKU-110K ذات قيمة خاصة لتطوير حلول رؤية حاسوبية متينة تركز على البيع بالتجزئة، إذ يدفع العدد الكبير للأجسام في الصورة الواحدة الكواشف إلى ما يتجاوز المعايير المرجعية المعتادة.

الاستشهادات والشكر والتقدير#

إذا استخدمت مجموعة بيانات SKU-110K في أبحاثك أو أعمال التطوير، فيُرجى الاستشهاد بالورقة التالية:

@inproceedings{goldman2019dense,
  author    = {Eran Goldman and Roei Herzig and Aviv Eisenschtat and Jacob Goldberger and Tal Hassner},
  title     = {Precise Detection in Densely Packed Scenes},
  booktitle = {Proc. Conf. Comput. Vision Pattern Recognition (CVPR)},
  year      = {2019}
}

نود أن نعرب عن تقديرنا لـ Eran Goldman وآخرين لإنشاء مجموعة بيانات SKU-110K وصيانتها بوصفها موردًا قيّمًا لمجتمع أبحاث الرؤية الحاسوبية. لمزيد من المعلومات عن مجموعة بيانات SKU-110K ومنشئيها، تفضّل بزيارة مستودع SKU-110K على GitHub.

الأسئلة الشائعة#