Datensatz zur Paketsementierung#

2,197

Package-Seg

ultralytics

publicSegment

Package-Seg contains polygon masks for packages across indoor, warehouse, and logistics-style scenes, including empty background images. It supports package localization and shape segmentation; no named upstream dataset license is published, so redistribution terms should be reviewed.

1 class149.8 MBSep 2, 2026

package

packagesinstance-segmentationlogistics+1

Der Ultralytics-Datensatz zur Paketsementierung ist eine kuratierte Sammlung von 2.197 annotierten Paketbildern zum Trainieren von Modellen für die Instanzsegmentierung mit einer einzelnen Klasse package. Der Datensatz ist für Anwendungen in Logistik und Lagerautomatisierung gedacht, etwa zur Paketidentifikation, Sortierung und Handhabung, und lässt sich direkt mit Ultralytics YOLO für die Echtzeitanalyse von Paketen in Computer-Vision-Pipelines einsetzen. Weitere Segmentierungsdatensätze findest du auf unserer Übersichtsseite zu Datensätzen.

Datensatzstruktur#

Die 2.197 Bilder des Datensatzes zur Paketsementierung sind folgendermaßen aufgeteilt:

• Trainingssatz: 1.920 Bilder zum Trainieren des Deep-Learning-Modells.
• Validierungssatz: 188 Bilder, die während des Trainings zum Anpassen der Hyperparameter und zur Vermeidung von Überanpassung verwendet werden.
• Testsatz: 89 Bilder, die zurückgehalten werden, um das Modell nach dem Training zu bewerten.
• Klassen: eine einzelne Klasse package, die alle annotierten Pakete umfasst.
• Downloadgröße: etwa 103 MB.

Anwendungsfälle#

Paketsementierung verbessert Logistik, Zustellung auf der letzten Meile, Qualitätskontrolle in der Fertigung und Smart-City-Systeme. Die Anwendungsbereiche reichen von der Auftragsabwicklung im E-Commerce bis zur Sicherheitskontrolle. Präzise Paketmasken ermöglichen automatisierten Systemen, Sendungen in Echtzeit zu lokalisieren, zu zählen und zu prüfen.

Intelligente Lager und Logistik#

In modernen Lagern können KI-Lösungen für die visuelle Erkennung Abläufe durch die Automatisierung der Paketidentifikation und -sortierung vereinfachen. Mit diesem Datensatz trainierte Computer-Vision-Modelle können Pakete schnell erkennen und segmentieren, auch unter schwierigen Bedingungen wie schwachem Licht oder in überfüllten Räumen. Das führt zu kürzeren Bearbeitungszeiten, weniger Fehlern und einer höheren Gesamteffizienz bei Logistikabläufen.

Qualitätskontrolle und Schadenserkennung#

Modelle zur Paketsementierung können beschädigte Pakete anhand ihrer Form und ihres Erscheinungsbilds erkennen. Indem sie Unregelmäßigkeiten oder Verformungen der Paketkonturen aufspüren, helfen diese Modelle sicherzustellen, dass nur unbeschädigte Pakete die Lieferkette durchlaufen. So sinken die Zahl der Kundenbeschwerden und die Rückgabequote. Dies ist ein wichtiger Aspekt der Qualitätskontrolle in der Fertigung und entscheidend für den Erhalt der Produktintegrität.

Der vollständige Datensatz zur Paketsementierung kann auch auf der Ultralytics Platform durchsucht und verwaltet werden.

YAML-Datei des Datensatzes#

Eine YAML-Datei definiert die Konfiguration des Datensatzes, einschließlich der Pfade, Klassen und weiterer wichtiger Angaben. Für den Datensatz zur Paketsementierung wird die Datei package-seg.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml verwaltet.

# 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') 188 images
test: images/test # test images (relative to 'path') 89 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 Modell Ultralytics YOLO26n-seg 100 Epochen lang mit einer Bildgröße von 640 auf dem Datensatz zur Paketsementierung zu trainieren, verwende die folgenden Codebeispiele. Bei der ersten Verwendung wird der Datensatz (etwa 103 MB) automatisch heruntergeladen. Eine vollständige Liste der verfügbaren Argumente findest du auf der Trainingsseite des Modells.

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n-seg.pt")  # Lade ein vortrainiertes Segmentierungsmodell (für das Training empfohlen)

# Trainiere das Modell mit dem Datensatz zur Paketsementierung
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)

# Das Modell validieren
results = model.val()

# Führe eine Inferenz für ein Bild durch
results = model("path/to/image.jpg")

Beispieldaten und Annotationen#

Unten siehst du ein Beispiel aus dem Datensatz zur Paketsementierung mit eingeblendeten Segmentierungsmasken, die erkannte Pakete umreißen:

Der Datensatz umfasst verschiedene Standorte und Umgebungen sowie unterschiedliche Paketdichten. Dadurch lernen die damit trainierten Modelle das Spektrum realer Logistikszenen kennen, auf das sie verallgemeinert werden müssen. Passende Arbeitsabläufe findest du auf der Seite zur Segmentierungsaufgabe.

Zitate und Danksagungen#

Wenn du den Datensatz zur Paketsementierung in deine Forschung oder Entwicklungsarbeit einbindest, zitiere bitte die Quelle korrekt:

@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 danken den Erstellern des Datensatzes zur Paketsementierung für ihren Beitrag zur Computer-Vision-Community. Weitere Datensätze findest du in der Ultralytics-Datensammlung und in unserem Leitfaden mit Tipps zum Modelltraining.

Häufig gestellte Fragen#