Link to this sectionمجموعة بيانات تجزئة الطرود#

مجموعة بيانات تجزئة الطرود هي مجموعة منسقة من الصور المصممة خصيصاً للمهام المتعلقة بتجزئة الطرود في مجال رؤية الحاسوب. صُممت هذه المجموعة لمساعدة الباحثين والمطورين والمتحمسين الذين يعملون على مشاريع تتضمن تحديد الطرود وفرزها ومناولتها، مع التركيز بشكل أساسي على مهام تجزئة الصور.

يحتوي هذا المجموع على مجموعة متنوعة من الصور التي تعرض طروداً مختلفة في سياقات وبيئات متنوعة، ويعد مورداً قيماً لتدريب وتقييم نماذج التجزئة. سواء كنت تعمل في مجال الخدمات اللوجستية، أو أتمتة المستودعات، أو أي تطبيق يتطلب تحليلاً دقيقاً للطرود، فإن Package Segmentation Dataset يوفر مجموعة مستهدفة وشاملة من الصور لتحسين أداء خوارزميات الرؤية الحاسوبية الخاصة بك. استكشف المزيد من مجموعات البيانات لمهام التجزئة على صفحة نظرة عامة على مجموعات البيانات.

Link to this sectionهيكل مجموعة البيانات#

تم تنظيم توزيع البيانات في مجموعة بيانات تجزئة الطرود كما يلي:

• مجموعة التدريب: تضم 1920 صورة مرفقة مع التعليقات التوضيحية المقابلة لها.
• مجموعة الاختبار: تتكون من 188 صورة، كل منها مقترنة بالتعليقات التوضيحية الخاصة بها.
• مجموعة التحقق من الصحة: تضم 89 صورة، كل منها مع التعليقات التوضيحية المقابلة لها.

Link to this sectionالتطبيقات#

تعد تجزئة الطرود، التي تسهلها مجموعة بيانات تجزئة الطرود، أمراً بالغ الأهمية لتحسين الخدمات اللوجستية، وتعزيز التوصيل في الميل الأخير، وتحسين مراقبة جودة التصنيع، والمساهمة في حلول المدن الذكية. من التجارة الإلكترونية إلى تطبيقات الأمن، تعد مجموعة البيانات هذه مورداً رئيسياً يعزز الابتكار في رؤية الحاسوب لتطبيقات تحليل الطرود المتنوعة والفعالة.

Link to this sectionالمستودعات الذكية والخدمات اللوجستية#

في المستودعات الحديثة، يمكن لـ حلول الذكاء الاصطناعي للرؤية تبسيط العمليات من خلال أتمتة تحديد الطرود وفرزها. يمكن لنماذج رؤية الحاسوب المدربة على مجموعة البيانات هذه اكتشاف وتجزئة الطرود بسرعة في الوقت الفعلي، حتى في البيئات الصعبة ذات الإضاءة الخافتة أو المساحات المزدحمة. يؤدي هذا إلى أوقات معالجة أسرع، وتقليل الأخطاء، وتحسين الكفاءة الإجمالية في العمليات اللوجستية.

Link to this sectionمراقبة الجودة واكتشاف التلف#

يمكن استخدام نماذج تجزئة الطرود لتحديد الطرود التالفة من خلال تحليل شكلها ومظهرها. من خلال اكتشاف المخالفات أو التشوهات في خطوط الطرود الخارجية، تساعد هذه النماذج في ضمان مرور الطرود السليمة فقط عبر سلسلة التوريد، مما يقلل من شكاوى العملاء ومعدلات الإرجاع. هذا جانب رئيسي من جوانب مراقبة الجودة في التصنيع وهو أمر حيوي للحفاظ على سلامة المنتج.

Link to this sectionYAML مجموعة البيانات#

يحدد ملف YAML (لغة ترميز أخرى) تكوين مجموعة البيانات، بما في ذلك المسارات والفئات وتفاصيل أساسية أخرى. بالنسبة لمجموعة بيانات تجزئة الطرود، يتم الاحتفاظ بملف package-seg.yaml على الرابط https://github.com/ultralytics/ultralytics/blob/main/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

Link to this sectionالاستخدام#

لتدريب نموذج Ultralytics YOLO26n على مجموعة بيانات Package Segmentation لـ 100 دورة تدريبية (epochs) بحجم صورة 640، يمكنك استخدام مقتطفات الكود التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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")

Link to this sectionعينة من البيانات والتعليقات#

تتكون مجموعة بيانات تجزئة الطرود من مجموعة متنوعة من الصور التي تم التقاطها من وجهات نظر متعددة. فيما يلي أمثلة للبيانات من مجموعة البيانات، مصحوبة بأقنعة التجزئة الخاصة بها:

• تعرض هذه الصورة نموذجاً لتجزئة الطرود، حيث تظهر أقنعة توضيحية تحدد كائنات الطرود التي تم التعرف عليها. تتضمن مجموعة البيانات مجموعة متنوعة من الصور الملتقطة في مواقع وبيئات وكثافات مختلفة. وهي بمثابة مورد شامل لتطوير نماذج خاصة بـ مهمة التجزئة هذه.
• يؤكد المثال على التنوع والتعقيد الموجود في مجموعة البيانات، مما يبرز أهمية البيانات عالية الجودة لمهام رؤية الحاسوب التي تنطوي على تجزئة الطرود.

Link to this sectionفوائد استخدام YOLO26 لتجزئة الطرود#

يوفر Ultralytics YOLO26 العديد من المزايا لمهام تجزئة الطرود:

1. توازن السرعة والدقة: يحقق YOLO26 دقة وكفاءة عاليتين، مما يجعله مثالياً لـ الاستنتاج في الوقت الفعلي في بيئات الخدمات اللوجستية سريعة الوتيرة. ويوفر توازناً قوياً مقارنة بنماذج مثل YOLOv8.

2. القدرة على التكيف: يمكن للنماذج المدربة باستخدام YOLO26 التكيف مع ظروف المستودعات المختلفة، من الإضاءة الخافتة إلى المساحات المزدحمة، مما يضمن أداءً قوياً.

3. قابلية التوسع: خلال فترات الذروة مثل مواسم الأعياد، يمكن لنماذج YOLO26 التوسع بكفاءة للتعامل مع زيادة أحجام الطرود دون المساس بالأداء أو الدقة.

4. إمكانيات التكامل: يمكن دمج YOLO26 بسهولة مع أنظمة إدارة المستودعات الحالية ونشره عبر منصات مختلفة باستخدام صيغ مثل ONNX أو TensorRT، مما يسهل تقديم حلول آلية شاملة.

Link to this sectionالاقتباسات والشكر#

إذا قمت بدمج مجموعة بيانات تجزئة الطرود في مبادرات البحث أو التطوير الخاصة بك، يرجى الاستشهاد بالمصدر بشكل مناسب:

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

نعرب عن امتناننا لمبتكري مجموعة بيانات Package Segmentation لمساهمتهم في مجتمع الرؤية الحاسوبية. لمزيد من الاستكشاف لمجموعات البيانات وتدريب النماذج، فكر في زيارة صفحة Ultralytics Datasets ودليلنا حول نصائح تدريب النماذج.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي مجموعة بيانات تجزئة الطرود وكيف يمكن أن تساعد في مشاريع رؤية الحاسوب؟#

• مجموعة بيانات تجزئة الطرود هي مجموعة منسقة من الصور المصممة للمهام التي تتضمن تجزئة صور الطرود. وهي تشمل صوراً متنوعة للطرود في سياقات مختلفة، مما يجعلها لا تقدر بثمن لتدريب وتقييم نماذج التجزئة. هذه المجموعة مفيدة بشكل خاص للتطبيقات في الخدمات اللوجستية، وأتمتة المستودعات، وأي مشروع يتطلب تحليلاً دقيقاً للطرود.

Link to this sectionكيف يمكنني تدريب نموذج Ultralytics YOLO26 على مجموعة بيانات تجزئة الطرود؟#

• يمكنك تدريب نموذج Ultralytics YOLO26 باستخدام كل من Python وطرق CLI. استخدم مقتطفات الكود الموضحة في قسم الاستخدام. راجع صفحة التدريب للنموذج لمزيد من التفاصيل حول الوسائط والتكوينات.

Link to this sectionما هي مكونات مجموعة بيانات تجزئة الطرود، وكيف يتم تنظيمها؟#

• تم تنظيم مجموعة البيانات في ثلاثة مكونات رئيسية:
  • مجموعة التدريب: تحتوي على 1920 صورة مع تعليقات توضيحية.
  • مجموعة الاختبار: تتكون من 188 صورة مع التعليقات التوضيحية المقابلة لها.
  • مجموعة التحقق من الصحة: تشمل 89 صورة مع تعليقات توضيحية.
• يضمن هذا الهيكل مجموعة بيانات متوازنة لتدريب النماذج والتحقق منها واختبارها بشكل شامل، باتباع أفضل الممارسات الموضحة في أدلة تقييم النماذج.

Link to this sectionلماذا يجب أن أستخدم Ultralytics YOLO26 مع مجموعة بيانات تجزئة الطرود؟#

• يوفر Ultralytics YOLO26 دقة وسرعة متطورتين لمهام اكتشاف الكائنات والتقسيم في الوقت الفعلي. يسمح لك استخدامه مع مجموعة بيانات تقسيم الطرود بالاستفادة من قدرات YOLO26 لتقسيم الطرود بدقة، وهو مفيد بشكل خاص لصناعات مثل الخدمات اللوجستية وأتمتة المستودعات.

Link to this sectionكيف يمكنني الوصول إلى ملف package-seg.yaml الخاص بمجموعة بيانات تجزئة الطرود واستخدامه؟#

• يتم استضافة ملف package-seg.yaml على مستودع GitHub الخاص بـ Ultralytics ويحتوي على معلومات أساسية حول مسارات مجموعة البيانات، والفئات، والتكوين. يمكنك عرضه أو تنزيله من https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml. يعد هذا الملف ضرورياً لتهيئة نماذجك لاستخدام مجموعة البيانات بكفاءة. لمزيد من الأفكار والأمثلة العملية، استكشف قسم استخدام Python الخاص بنا.