Meet YOLO26: next-gen vision AI.

Link to this sectionPackage Segmentation Dataset#

Open Package Segmentation Dataset In Colab

Das Package Segmentation Dataset ist eine kuratierte Sammlung von Bildern, die speziell auf Aufgaben zur Paketsegmentierung im Bereich Computer Vision zugeschnitten sind. Dieser Datensatz wurde entwickelt, um Forscher, Entwickler und Enthusiasten bei Projekten zur Paketidentifizierung, -sortierung und -handhabung zu unterstützen, wobei der Schwerpunkt auf Bildsegmentierungsaufgaben 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 Evaluierung von Segmentierungsmodellen. Egal, ob du in der Logistik, der Lagerautomatisierung oder einem anderen Bereich tätig bist, der eine präzise Paketanalyse erfordert, bietet das Package Segmentation Dataset einen gezielten und umfassenden Satz an Bildern, um die Leistung deiner Computer-Vision-Algorithmen zu verbessern. Weitere Datensätze für Segmentierungsaufgaben findest du auf unserer Übersichtsseite für Datensätze.

Link to this sectionDatensatzstruktur#

Die Verteilung der Daten im Package Segmentation Dataset ist wie folgt strukturiert:

  • Trainingsset: Umfasst 1920 Bilder mit den dazugehörigen Annotationen.
  • Testset: Besteht aus 188 Bildern, jeweils gepaart mit den entsprechenden Annotationen.
  • Validierungsset: Umfasst 89 Bilder, jeweils mit den entsprechenden Annotationen.

Link to this sectionAnwendungen#

Paketsegmentierung, ermöglicht durch das Package Segmentation Dataset, ist entscheidend für die Optimierung der Logistik, die Verbesserung der Zustellung auf der letzten Meile, die Qualitätskontrolle in der Fertigung und die Unterstützung von Smart-City-Lösungen. Von E-Commerce bis hin zu Sicherheitsanwendungen ist dieser Datensatz eine Schlüsselressource, die Innovationen im Bereich Computer Vision für vielfältige und effiziente Paketanalyseanwendungen fördert.

Link to this sectionSmart Warehouses und Logistik#

In modernen Lagern können Vision AI-Lösungen Abläufe optimieren, indem sie die Paketidentifizierung und -sortierung automatisieren. Computer-Vision-Modelle, die mit diesem Datensatz trainiert wurden, können Pakete schnell in Echtzeit erkennen und segmentieren, selbst in herausfordernden Umgebungen mit schlechter Beleuchtung oder überfüllten Räumen. Dies führt zu schnelleren Bearbeitungszeiten, weniger Fehlern und einer verbesserten Gesamteffizienz bei Logistikabläufen.

Link to this sectionQualitätskontrolle und Schadenerkennung#

Paketsegmentierungsmodelle können verwendet werden, um beschädigte Pakete zu identifizieren, indem ihre Form und ihr Erscheinungsbild analysiert werden. Durch die Erkennung von Unregelmäßigkeiten oder Verformungen in den Paketkonturen helfen diese Modelle sicherzustellen, dass nur intakte Pakete durch die Lieferkette gelangen, was Kundenbeschwerden und Rücksendequoten reduziert. Dies ist ein wichtiger Aspekt der Qualitätskontrolle in der Fertigung und ist entscheidend für die Wahrung der Produktintegrität.

Link to this sectionDatensatz-YAML#

Eine YAML-Datei (Yet Another Markup Language) definiert die Konfiguration des Datensatzes, einschließlich Pfaden, Klassen und anderen wesentlichen Details. Für das Package Segmentation Dataset wird die package-seg.yaml-Datei 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

Link to this sectionVerwendung#

Um ein Ultralytics YOLO26n-Modell mit dem Package Segmentation Dataset für 100 Epochen bei einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Schnipsel verwenden. Eine vollständige 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")

Link to this sectionBeispieldaten und Annotationen#

Das Package Segmentation Dataset enthält eine abwechslungsreiche Sammlung von Bildern, die aus verschiedenen Perspektiven aufgenommen wurden. Nachfolgend findest du Beispiele von Daten aus dem Datensatz, begleitet von ihren jeweiligen Segmentierungsmasken:

Beispiel für den Paketsegmentierungsdatensatz für die Logistik

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

Link to this sectionVorteile der Verwendung von YOLO26 für die Paketsegmentierung#

Ultralytics YOLO26 bietet mehrere Vorteile für Paketsegmentierungsaufgaben:

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

  2. Anpassungsfähigkeit: Mit YOLO26 trainierte Modelle können sich an verschiedene Lagerbedingungen anpassen, von schlechter Beleuchtung bis hin zu überfüllten Räumen, und gewährleisten so eine robuste Leistung.

  3. Skalierbarkeit: Während Spitzenzeiten wie der Urlaubszeit können YOLO26-Modelle effizient skalieren, um ein erhöhtes Paketaufkommen zu bewältigen, ohne die Leistung oder Genauigkeit zu beeinträchtigen.

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

Link to this sectionZitate und Danksagungen#

Wenn du das Package Segmentation Dataset 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 danken den Erstellern des Package Segmentation Dataset für ihren Beitrag zur Computer-Vision-Community. Für weitere Informationen zu Datensätzen und zum Modelltraining besuche unsere Seite Ultralytics Datasets sowie unseren Leitfaden zu Tipps für das Modelltraining.

Link to this sectionFAQ#

Link to this sectionWas ist das Package Segmentation Dataset und wie kann es bei Computer-Vision-Projekten helfen?#

  • Das Package Segmentation Dataset ist eine kuratierte Bildersammlung, die für Aufgaben im Bereich der Bildsegmentierung von Paketen maßgeschneidert ist. Es enthält vielfältige Bilder von Paketen in verschiedenen Kontexten, was es zu einer wertvollen Ressource für das Training und die Evaluierung von Segmentierungsmodellen macht. Dieser Datensatz ist besonders nützlich für Anwendungen in der Logistik, der Lagerautomatisierung und jedes Projekt, das eine präzise Paketanalyse erfordert.

Link to this sectionWie trainiere ich ein Ultralytics YOLO26-Modell mit dem Package Segmentation Dataset?#

  • Du kannst ein Ultralytics YOLO26-Modell sowohl mit Python als auch über die CLI trainieren. Verwende dazu die Code-Schnipsel im Abschnitt Nutzung. Weitere Details zu Argumenten und Konfigurationen findest du auf der Trainingsseite des Modells.

Link to this sectionWas sind die Komponenten des Package Segmentation Dataset und wie ist es strukturiert?#

  • Der Datensatz ist in drei Hauptkomponenten strukturiert:
    • Trainingsset: Enthält 1920 Bilder mit Annotationen.
    • Testset: Umfasst 188 Bilder mit entsprechenden Annotationen.
    • Validierungsset: Beinhaltet 89 Bilder mit Annotationen.
  • Diese Struktur sorgt für einen ausgewogenen Datensatz für ein gründliches Modelltraining, eine Validierung und Tests, gemäß den Best Practices, die in den Leitfäden zur Modellevaluierung beschrieben sind.

Link to this sectionWarum sollte ich Ultralytics YOLO26 mit dem Package Segmentation Dataset verwenden?#

  • Ultralytics YOLO26 bietet modernste Genauigkeit und Geschwindigkeit für Aufgaben der Objekterkennung und Segmentierung in Echtzeit. Die Verwendung mit dem Package Segmentation Dataset ermöglicht es dir, die Fähigkeiten von YOLO26 für eine präzise Paketsegmentierung zu nutzen, was besonders für Branchen wie Logistik und Lagerautomatisierung von Vorteil ist.

Link to this sectionWie kann ich auf die package-seg.yaml-Datei für das Package Segmentation Dataset zugreifen und sie verwenden?#

Mitwirkende
GLglenn-jocher17RIRizwanMunawar4ONonuralpszr1LAlakshanthad1MAMatthewNoyce1JKjk4e1

Kommentare