Seite auf GitHub bearbeiten (EN)

Paket-Segmentierungs-Datensatz

Open Package Segmentation Dataset In Colab

Der Paket-Segmentierungs-Datensatz ist eine kuratierte Sammlung von Bildern, die speziell auf Aufgaben im Bereich der Paket-Segmentierung innerhalb des Computer Vision zugeschnitten sind. Dieser Datensatz wurde entwickelt, um Forscher, Entwickler und Enthusiasten bei Projekten zur Identifizierung, Sortierung und Handhabung von Paketen zu unterstützen, wobei der Schwerpunkt primär auf Bildsegmentierung liegt.



Watch: Train Package Segmentation Model using Ultralytics YOLO26 | Industrial Packages 🎉

Der Datensatz enthält eine vielfältige Auswahl an Bildern, die verschiedene Pakete in unterschiedlichen Kontexten und Umgebungen zeigen, und dient als wertvolle Ressource für das Training und die Bewertung von Segmentierungsmodellen. Ganz gleich, ob du in der Logistik, der Lagerautomatisierung oder einer anderen Anwendung tätig bist, die eine präzise Paketanalyse erfordert: Der Paket-Segmentierungs-Datensatz bietet einen gezielten und umfassenden Satz an Bildern, um die Leistung deiner Computer-Vision-Algorithmen zu verbessern. Entdecke weitere Datensätze für Segmentierungsaufgaben auf unserer Übersichtsseite für Datensätze.

Datensatzstruktur

Die Verteilung der Daten im Paket-Segmentierungs-Datensatz ist wie folgt strukturiert:

  • Trainingsdatensatz: Umfasst 1920 Bilder zusammen mit den entsprechenden Annotationen.
  • Testdatensatz: Besteht aus 89 Bildern, die jeweils mit den dazugehörigen Annotationen gepaart sind.
  • Validierungsdatensatz: Umfasst 188 Bilder, jeweils mit entsprechenden Annotationen.

Anwendungen

Die Paket-Segmentierung, die durch den Paket-Segmentierungs-Datensatz erleichtert wird, ist entscheidend für die Optimierung der Logistik, die Verbesserung der Zustellung auf der letzten Meile, die Optimierung der Qualitätskontrolle in der Fertigung und den Beitrag zu Smart-City-Lösungen. Vom E-Commerce bis hin zu Sicherheitsanwendungen ist dieser Datensatz eine Schlüsselressource, die Innovationen im Bereich Computer Vision für vielfältige und effiziente Paketanalyse-Anwendungen fördert.

Intelligente Lager und Logistik

In modernen Lagern können Vision-KI-Lösungen Abläufe optimieren, indem sie die Paketidentifizierung und -sortierung automatisieren. Mit diesem Datensatz trainierte Computer-Vision-Modelle können Pakete auch in anspruchsvollen Umgebungen mit schlechten Lichtverhältnissen oder unübersichtlichen Bereichen schnell in Echtzeit erkennen und segmentieren. Dies führt zu schnelleren Bearbeitungszeiten, reduzierten Fehlern und einer verbesserten Gesamteffizienz bei Logistikvorgängen.

Qualitätskontrolle und Schadenerkennung

Paket-Segmentierungsmodelle können eingesetzt werden, um beschädigte Pakete durch Analyse ihrer Form und Erscheinung zu identifizieren. Indem Unregelmäßigkeiten oder Verformungen in den Paketkonturen erkannt werden, helfen diese Modelle sicherzustellen, dass nur intakte Pakete durch die Lieferkette gelangen, was Kundenbeschwerden und Rücksendequoten reduziert. Dies ist ein zentraler Aspekt der Qualitätskontrolle in der Fertigung und ist entscheidend für den Erhalt der Produktintegrität.

Datensatz-YAML

Eine YAML-Datei (Yet Another Markup Language) definiert die Konfiguration des Datensatzes, einschließlich Pfaden, Klassen und anderen wichtigen Details. Für den Paket-Segmentierungs-Datensatz wird die Datei package-seg.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml gepflegt.

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

Verwendung

Um ein Ultralytics YOLO26n Modell für 100 Epochen mit einer Bildgröße von 640 auf dem Paket-Segmentierungs-Datensatz zu trainieren, kannst du die folgenden Code-Snippets verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Trainingsseite des Modells.

Trainingsbeispiel
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")

Beispieldaten und Annotationen

Der Paket-Segmentierungs-Datensatz enthält eine vielfältige Sammlung von Bildern, die aus mehreren Perspektiven aufgenommen wurden. Nachfolgend sind Beispiele von Daten aus dem Datensatz, begleitet von ihren jeweiligen Segmentierungsmasken:

Beispiel für den Paket-Segmentierungs-Datensatz in der Logistik

  • Dieses Bild zeigt ein Beispiel für eine Paket-Segmentierung mit annotierten Masken, die erkannte Paketobjekte umreißen. Der Datensatz enthält eine vielfältige Sammlung von Bildern, die an verschiedenen Orten, in verschiedenen Umgebungen und mit unterschiedlichen Dichten aufgenommen wurden. Er dient als umfassende Ressource für die Entwicklung von Modellen, die spezifisch auf diese Segmentierungsaufgabe zugeschnitten sind.
  • Das Beispiel unterstreicht die Vielfalt und Komplexität des Datensatzes und betont die Bedeutung qualitativ hochwertiger Daten für Computer-Vision-Aufgaben, die eine Paket-Segmentierung beinhalten.

Vorteile der Verwendung von YOLO26 für die Paket-Segmentierung

Ultralytics YOLO26 bietet mehrere Vorteile für Aufgaben der Paket-Segmentierung:

  1. Gleichgewicht zwischen Geschwindigkeit und Genauigkeit: YOLO26 erreicht hohe Präzision und Effizienz, was es ideal für die Echtzeit-Inferenz in schnelllebigen Logistikumgebungen macht. Es bietet im Vergleich zu Modellen wie YOLOv8 ein starkes Gleichgewicht.

  2. Anpassungsfähigkeit: Modelle, die mit YOLO26 trainiert wurden, können sich an verschiedene Lagerbedingungen anpassen, von schlechten Lichtverhältnissen bis hin zu unübersichtlichen Räumen, und gewährleisten so eine robuste Leistung.

  3. Skalierbarkeit: In Spitzenzeiten, wie etwa in der Ferienzeit, können YOLO26-Modelle effizient skaliert werden, um erhöhte Paketaufkommen zu bewältigen, ohne dass die Leistung oder Genauigkeit beeinträchtigt wird.

  4. Integrationsfähigkeiten: YOLO26 kann einfach in bestehende Lagerverwaltungssysteme integriert und mithilfe von Formaten wie ONNX oder TensorRT auf verschiedenen Plattformen bereitgestellt werden, was durchgängige automatisierte Lösungen erleichtert.

Zitate und Danksagungen

Wenn du den Paket-Segmentierungs-Datensatz in deine Forschungs- oder Entwicklungsinitiativen integrierst, zitiere die Quelle bitte angemessen:

Zitat
@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 },
}

Wir drücken den Erstellern des Paket-Segmentierungs-Datensatzes unsere Dankbarkeit für ihren Beitrag zur Computer-Vision-Community aus. Für weitere Erkundungen von Datensätzen und Modelltraining ziehe in Betracht, unsere Ultralytics Datensätze Seite sowie unseren Leitfaden für Tipps zum Modelltraining zu besuchen.

FAQ

Was ist der Paket-Segmentierungs-Datensatz und wie kann er bei Computer-Vision-Projekten helfen?

  • Der Paket-Segmentierungs-Datensatz ist eine kuratierte Sammlung von Bildern, die speziell auf Aufgaben rund um die Paket-Bildsegmentierung zugeschnitten ist. Er enthält diverse Bilder von Paketen in verschiedenen Kontexten, was ihn wertvoll für das Training und die Bewertung von Segmentierungsmodellen macht. Dieser Datensatz ist besonders nützlich für Anwendungen in der Logistik, der Lagerautomatisierung und jedes Projekt, das eine präzise Paketanalyse erfordert.

Wie trainiere ich ein Ultralytics YOLO26 Modell mit dem Paket-Segmentierungs-Datensatz?

  • Du kannst ein Ultralytics YOLO26 Modell sowohl mit Python als auch mit CLI-Methoden trainieren. Verwende dazu die Code-Snippets aus dem Abschnitt Nutzung. Weitere Informationen zu Argumenten und Konfigurationen findest du auf der Trainingsseite des Modells.

Was sind die Komponenten des Paket-Segmentierungs-Datensatzes und wie ist er strukturiert?

  • Der Datensatz ist in drei Hauptkomponenten unterteilt:
    • Trainingsdatensatz: Enthält 1920 Bilder mit Annotationen.
    • Testdatensatz: Umfasst 89 Bilder mit entsprechenden Annotationen.
    • Validierungsdatensatz: Enthält 188 Bilder mit Annotationen.
  • Diese Struktur sorgt für einen ausgewogenen Datensatz für ein gründliches Modelltraining, eine fundierte Validierung und Tests, basierend auf bewährten Methoden, die in Leitfäden zur Modellevaluierung dargelegt sind.

Warum sollte ich Ultralytics YOLO26 mit dem Paket-Segmentierungs-Datensatz verwenden?

  • Ultralytics YOLO26 provides state-of-the-art accuracy and speed for real-time object detection and segmentation tasks. Using it with the Package Segmentation Dataset allows you to leverage YOLO26's capabilities for precise package segmentation, which is especially beneficial for industries like logistics and warehouse automation.

Wie kann ich auf die Datei package-seg.yaml für den Paket-Segmentierungs-Datensatz zugreifen und sie verwenden?

Contributors
Seite auf GitHub bearbeiten (EN)
GLglenn-jocher16RIRizwanMunawar4ONonuralpszr1LAlakshanthad1MAMatthewNoyce1JKjk4e1

Kommentare