SKU-110k Datensatz

Der SKU-110k-Datensatz ist eine Sammlung dicht gepackter Bilder von Einzelhandelsregalen, die für die Forschung im Bereich der Objekterkennung entwickelt wurde. Der von Eran Goldman et al. entwickelte Datensatz enthält über 110.000 eindeutige Kategorien von Lagerhaltungseinheiten (SKU) mit dicht gepackten Objekten, die oft ähnlich oder sogar identisch aussehen und in unmittelbarer Nähe angeordnet sind.

Pass auf: So trainierst du YOLOv10 auf dem SKU-110k-Datensatz mit Ultralytics | Retail Dataset

Hauptmerkmale

• SKU-110k enthält Bilder von Ladenregalen aus der ganzen Welt mit dicht gepackten Objekten, die eine Herausforderung für moderne Objektdetektoren darstellen.
• Der Datensatz umfasst über 110.000 einzigartige SKU-Kategorien, die eine Vielzahl von Objekten darstellen.
• Zu den Anmerkungen gehören Begrenzungsrahmen für Objekte und SKU-Kategoriebezeichnungen.

Struktur des Datensatzes

Der SKU-110k-Datensatz ist in drei große Teilmengen unterteilt:

1. Trainingsset: Diese Teilmenge enthält Bilder und Anmerkungen, die für das Training von Objekterkennungsmodellen verwendet werden.
2. Validierungssatz: Diese Teilmenge besteht aus Bildern und Anmerkungen, die während des Trainings zur Modellvalidierung verwendet werden.
3. Testsatz: Diese Teilmenge ist für die abschließende Bewertung der trainierten Objekterkennungsmodelle gedacht.

Anwendungen

Der SKU-110k-Datensatz wird häufig zum Trainieren und Evaluieren von Deep-Learning-Modellen für die Objekterkennung verwendet, insbesondere in dicht gepackten Szenen wie z. B. Einzelhandelsregalen. Die Vielfalt der SKU-Kategorien und die dichte Anordnung der Objekte machen den Datensatz zu einer wertvollen Ressource für Forscher/innen und Praktiker/innen auf dem Gebiet der Computer Vision.

Datensatz YAML

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Konfiguration des Datensatzes zu definieren. Sie enthält Informationen über die Pfade des Datensatzes, Klassen und andere relevante Informationen. Im Fall des SKU-110K-Datensatzes ist die SKU-110K.yaml Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/SKU-110K.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 pandas as pd
  from tqdm 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 = pd.read_csv(dir / 'annotations' / d, names=names).values  # annotations
      images, unique_images = x[:, 0], np.unique(x[:, 0])
      with open((dir / d).with_suffix('.txt').__str__().replace('annotations_', ''), 'w') 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') 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

Verwendung

Um ein YOLOv8n Modell auf dem SKU-110K-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Modelltraining.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=SKU-110K.yaml model=yolov8n.pt epochs=100 imgsz=640

Beispieldaten und Anmerkungen

Der SKU-110k-Datensatz enthält eine Vielzahl von Einzelhandelsregalbildern mit dicht gepackten Objekten, die einen reichhaltigen Kontext für Objekterkennungsaufgaben bieten. Hier sind einige Beispiele von Daten aus dem Datensatz, zusammen mit den entsprechenden Anmerkungen:

• Dicht gepacktes Einzelhandelsregal: Dieses Bild zeigt ein Beispiel für dicht gepackte Objekte in einem Einzelhandelsregal. Die Objekte sind mit Bounding Boxes und SKU-Kategorie-Etiketten beschriftet.

Das Beispiel zeigt die Vielfalt und Komplexität der Daten im SKU-110k-Datensatz und verdeutlicht, wie wichtig hochwertige Daten für die Objekterkennung sind.

Zitate und Danksagungen

Wenn du den SKU-110k-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Dokument:

@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}
}

Wir möchten Eran Goldman et al. dafür danken, dass sie den SKU-110k-Datensatz als wertvolle Ressource für die Computer Vision-Forschungsgemeinschaft erstellt und gepflegt haben. Weitere Informationen über den SKU-110k-Datensatz und seine Ersteller findest du im SKU-110k-Datensatz-GitHub-Repository.

FAQ

Was ist der SKU-110k-Datensatz und warum ist er für die Objekterkennung wichtig?

Der SKU-110k-Datensatz besteht aus dicht gepackten Bildern von Einzelhandelsregalen, die die Forschung bei der Objekterkennung unterstützen sollen. Er wurde von Eran Goldman et al. entwickelt und enthält über 110.000 einzigartige SKU-Kategorien. Seine Bedeutung liegt in seiner Fähigkeit, modernste Objektdetektoren mit unterschiedlichen Objekterscheinungen und in unmittelbarer Nähe herauszufordern, was ihn zu einer unschätzbaren Ressource für Forscher und Praktiker im Bereich Computer Vision macht. Erfahre mehr über die Struktur und die Anwendungen des Datensatzes in unserem Abschnitt SKU-110k Dataset.

Wie trainiere ich ein YOLOv8 Modell mit dem SKU-110k-Datensatz?

Das Training eines YOLOv8 Modells auf dem SKU-110k Datensatz ist ganz einfach. Hier ist ein Beispiel für das Training eines YOLOv8n Modells für 100 Epochen mit einer Bildgröße von 640:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=SKU-110K.yaml model=yolov8n.pt epochs=100 imgsz=640

Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Modellschulung.

Was sind die wichtigsten Teilmengen des SKU-110k-Datensatzes?

Der SKU-110k-Datensatz ist in drei große Teilmengen unterteilt:

1. Trainingsset: Enthält Bilder und Anmerkungen, die zum Trainieren von Objekterkennungsmodellen verwendet werden.
2. Validierungsset: Besteht aus Bildern und Anmerkungen, die während des Trainings zur Modellvalidierung verwendet werden.
3. Testset: Für die abschließende Bewertung der trainierten Objekterkennungsmodelle.

Weitere Informationen findest du im Abschnitt Datensatzstruktur.

Wie konfiguriere ich den SKU-110k-Datensatz für das Training?

Die Konfiguration des SKU-110k-Datensatzes wird in einer YAML-Datei definiert, die Details zu den Pfaden, Klassen und anderen relevanten Informationen des Datensatzes enthält. Die SKU-110K.yaml Datei wird verwaltet unter SKU-110K.yaml. Mit dieser Konfiguration kannst du zum Beispiel ein Modell trainieren, wie es in unserer Verwendung Abschnitt.

Was sind die wichtigsten Merkmale des SKU-110k-Datensatzes im Kontext des Deep Learning?

Der SKU-110k-Datensatz enthält Bilder von Ladenregalen aus der ganzen Welt und zeigt dicht gepackte Objekte, die eine große Herausforderung für Objektdetektoren darstellen:

• Über 110.000 einzigartige SKU-Kategorien
• Vielfältige Erscheinungsformen von Objekten
• Anmerkungen umfassen Begrenzungsrahmen und SKU-Kategoriebezeichnungen

Diese Eigenschaften machen den SKU-110k-Datensatz besonders wertvoll für das Training und die Evaluierung von Deep Learning-Modellen für die Objekterkennung. Weitere Einzelheiten findest du im Abschnitt " Hauptmerkmale ".

Wie kann ich den SKU-110k-Datensatz in meiner Forschung zitieren?

Wenn du den SKU-110k-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Dokument:

@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}
}

Weitere Informationen über den Datensatz findest du im Abschnitt Zitate und Danksagungen.

Kommentare