Package Segmentation Dataset#

2,197

Package-Seg

ultralytics

publicSegment

Package segmentation dataset with 2,197 unique images across 1,920 train, 188 validation, and 89 test images; 2,060 labeled images, 7,643 polygon instances, and one package class. Distributed by Ultralytics as the official Package-Seg training archive; no named upstream dataset license is published.

1 class149.8 MBAug 21, 2026

package

packagesinstance-segmentationlogistics+1

Das Ultralytics Package Segmentation Dataset ist eine sorgfältig zusammengestellte Sammlung von 2.197 annotierten Bildern von Paketen zum Training von Instanzsegmentierungs-Modellen auf einer einzigen package-Klasse. Es wurde für Logistik- und Lagerautomatisierungs-Anwendungsfälle wie Paketidentifikation, -sortierung und -handhabung entwickelt und lässt sich direkt mit Ultralytics YOLO für die Echtzeit-Paketanalyse in Computer-Vision-Pipelines kombinieren. Entdecke weitere Segmentierungsdatensätze auf unserer Datensatz-Übersichtsseite.

Datensatzstruktur#

Das Package Segmentation Dataset unterteilt seine 2.197 Bilder wie folgt:

• Trainingsdatensatz: 1.920 Bilder, die zum Trainieren des Modells für Deep Learning verwendet werden.
• Validierungsdatensatz: 188 Bilder, die während des Trainings verwendet werden, um Hyperparameter anzupassen und Overfitting zu verhindern.
• Testdatensatz: 89 Bilder, die zurückgehalten werden, um das Modell nach dem Training zu evaluieren.
• Klassen: eine einzige package-Klasse, die jedes annotierte Paket abdeckt.
• Download-Größe: ~103 MB.

Anwendungen#

Paketsegmentierung optimiert Logistik, Zustellung auf der letzten Meile, Qualitätskontrolle in der Fertigung und Smart-City-Systeme mit Anwendungen, die von der E-Commerce-Abwicklung bis zur Sicherheitsüberprüfung reichen. Präzise Paketmasken ermöglichen es automatisierten Systemen, Pakete in Echtzeit zu lokalisieren, zu zählen und zu inspizieren.

Smart Warehouses und Logistik#

In modernen Lagern können Vision-KI-Lösungen die Abläufe durch die Automatisierung der Paketidentifikation und -sortierung optimieren. Computer-Vision-Modelle, die mit diesem Datensatz trainiert wurden, können Pakete in Echtzeit schnell erkennen und segmentieren, selbst in schwierigen Umgebungen mit gedimmter Beleuchtung oder unübersichtlichen Bereichen. Dies führt zu schnelleren Verarbeitungszeiten, weniger Fehlern und einer verbesserten Gesamteffizienz bei Logistikabläufen.

Qualitätskontrolle und Schadenerkennung#

Paketsegmentierungsmodelle können beschädigte Pakete erkennen, indem sie deren Form und Erscheinungsbild analysieren. Durch das Erkennen von Unregelmäßigkeiten oder Verformungen in den Paketkonturen tragen diese Modelle dazu bei, dass nur intakte Pakete die Lieferkette durchlaufen, wodurch Kundenbeschwerden und Retourenquoten sinken. Dies ist ein Schlüsselaspekt der Qualitätskontrolle in der Fertigung und ist entscheidend für die Aufrechterhaltung der Produktintegrität.

Das vollständige Package Segmentation Dataset kann auch auf der Ultralytics Platform durchsucht und verwaltet werden.

Datensatz-YAML#

Eine YAML-Datei definiert die Datensatzkonfiguration einschließlich Pfaden, Klassen und anderen wesentlichen Details. Für das Package Segmentation-Dataset wird die Datei package-seg.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml gepflegt.

# 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 Ultralytics YOLO26n-Modell auf dem Package Segmentation-Dataset für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwende die folgenden Codeausschnitte. Der Datensatz (~103 MB) wird bei der ersten Verwendung automatisch heruntergeladen. Eine umfassende Liste der verfügbaren Argumente findest du auf der Modell-Trainingsseite.

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#

Unten ist ein Beispiel aus dem Package Segmentation Dataset mit überlagerten Segmentierungsmasken zu sehen, die die erkannten Pakete umreißen:

Der Datensatz erstreckt sich über verschiedene Standorte, Umgebungen und Paketdichten, sodass darauf trainierte Modelle die Bandbreite realer Logistikszenen sehen, die sie für die Generalisierung benötigen. Siehe die Seite zur Segmentierungsaufgabe für verwandte Arbeitsabläufe.

Zitate und Danksagungen#

Wenn du das Package Segmentation Dataset in deine Forschungs- oder Entwicklungsinitiativen integrierst, zitiere die Quelle bitte angemessen:

@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-Datasets für ihren Beitrag zur Computer-Vision-Community. Für weitere Datensätze besuche die Ultralytics Datasets-Sammlung und unseren Leitfaden zu Modell-Trainings-Tipps.

FAQ#