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 بيانات أحادية الفئة لـاكتشاف الأجسام، وتتكون من 11,743 صورة لرفوف متاجر مكتظة بالمنتجات، ومقسمة إلى 8,219 صورة للتدريب، و588 صورة للتحقق، و2,936 صورة للاختبار. تم وسم كل منتج بمربع إحاطة واحد ضمن فئة واحدة، object — ويشير الاسم إلى أكثر من 110,000 وحدة حفظ مخزون فريدة (SKUs) ظاهرة عبر المشاهد، وليس إلى 110,000 فئة لاكتشاف الأجسام. أنشأها Eran Goldman وآخرون لورقة CVPR 2019 بعنوان Precise Detection in Densely Packed Scenes، وتضم أكثر من 1.7 مليون منتج موسوم — بمتوسط يقارب 147 منتجًا لكل صورة — مما يجعلها معيارًا صعبًا لنماذج الرؤية الحاسوبية في بيئات البيع بالتجزئة المزدحمة.

الميزات الرئيسية#

• اكتشاف أحادي الفئة: تم وسم كل منتج بمربع إحاطة واحد ضمن فئة واحدة، object (names: {0: object}) — ولا تتضمن التعليقات التوضيحية تسميات فئات خاصة بكل وحدة حفظ مخزون.
• كثافة الأجسام العالية للغاية: يبلغ متوسط صور رفوف المتاجر من مختلف أنحاء العالم نحو 147 منتجًا متراصًا بإحكام في كل صورة، مع أجسام تبدو غالبًا متشابهة أو متطابقة تقريبًا وموضوعة على مسافات متقاربة.
• النطاق الكبير: يمثل أكثر من 110,000 وحدة حفظ مخزون فريدة وأكثر من 1.7 مليون مربع إحاطة موسوم موزعة على 11,743 صورة تحديًا لكاشفات الأجسام المتقدمة.

بنية مجموعة البيانات#

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

التطبيقات#

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

• إدارة مخزون التجزئة وأتمتتها
• التعرف على المنتجات في منصات التجارة الإلكترونية
• التحقق من مطابقة مخطط عرض المنتجات
• أنظمة الدفع الذاتي في المتاجر
• الالتقاط والفرز الآليان في المستودعات

لوضع تعليقات توضيحية على صور الرفوف الخاصة بك، وتدريب مجموعات بيانات اكتشاف منتجات التجزئة وإدارتها في متصفحك، شغّل سير العمل الكامل باستخدام Ultralytics Platform.

YAML مجموعة البيانات#

يعرّف الملف SKU-110K.yaml إعدادات مجموعة البيانات — مسارات مجموعة البيانات، وأسماء الفئات، وبيانات التعريف الأخرى. ويُصان في مستودع Ultralytics على الرابط 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 قدره 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة تدريب النموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

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

بيانات العينة والتعليقات التوضيحية#

تلتقط صور SKU-110K منتجات متراصة بكثافة على رفوف متاجر حقيقية، حيث تصطف عشرات المنتجات المتشابهة تقريبًا جنبًا إلى جنب. إليك صورة نموذجية مع تعليقاتها التوضيحية:

• صورة رف متجر مكتظ بالمنتجات: توضح هذه الصورة مثالًا على أجسام متراصة بكثافة في بيئة رفوف البيع بالتجزئة. وُسِمت الأجسام بمربعات إحاطة ضمن الفئة الوحيدة object.

يجعل الترتيب الكثيف للمنتجات مجموعة بيانات SKU-110K ذات قيمة خاصة لتطوير حلول قوية للرؤية الحاسوبية تركز على قطاع التجزئة، إذ يدفع العدد الكبير من الأجسام في كل صورة بالكاشفات إلى ما يتجاوز المعايير المعتادة بفارق كبير.

الاقتباسات 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 لإنشائهم مجموعة بيانات SKU-110K وصيانتها بوصفها موردًا قيّمًا لمجتمع أبحاث الرؤية الحاسوبية. لمزيد من المعلومات حول مجموعة بيانات SKU-110K ومنشئيها، تفضل بزيارة مستودع مجموعة بيانات SKU-110K على GitHub.

الأسئلة الشائعة#