Zum Inhalt springen

Package Segmentierungsdatensatz

Open Package Segmentation Dataset In Colab

Der Package Segmentation Dataset, der auf Roboflow Universe verfügbar ist, ist eine kuratierte Sammlung von Bildern, die speziell auf Aufgaben im Zusammenhang mit der Paketsegmentierung im Bereich der Computer Vision zugeschnitten sind. Dieser Datensatz soll Forschern, Entwicklern und Enthusiasten helfen, die an Projekten zur Identifizierung, Sortierung und Handhabung von Paketen arbeiten, wobei der Schwerpunkt hauptsächlich auf Bildsegmentierungs-Aufgaben liegt.



Ansehen: Trainieren Sie das Package Segmentation Model mit Ultralytics YOLO11 | Industriepakete 🎉

Der Datensatz enthält eine vielfältige Sammlung von Bildern, die verschiedene Pakete in unterschiedlichen Kontexten und Umgebungen zeigen. Er dient als wertvolle Ressource für das Training und die Bewertung von Segmentierungsmodellen. Ob Sie in der Logistik, der Lagerautomatisierung oder in einer anderen Anwendung tätig sind, die eine präzise Paketanalyse erfordert, das Package Segmentation Dataset bietet einen gezielten und umfassenden Satz von Bildern, um die Leistung Ihrer Computer-Vision-Algorithmen zu verbessern. Entdecken Sie weitere Datensätze für Segmentierungsaufgaben auf unserer Übersichtsseite für Datensätze.

Dataset-Struktur

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

  • Trainingsdatensatz: Umfasst 1920 Bilder zusammen mit ihren entsprechenden Annotationen.
  • Testdatensatz: Besteht aus 89 Bildern, die jeweils mit ihren jeweiligen Annotationen gepaart sind.
  • Validierungsmenge: Umfasst 188 Bilder, jedes mit entsprechenden Anmerkungen.

Anwendungen

Die Paketsegmentierung, die durch das Package Segmentation Dataset ermöglicht wird, ist entscheidend für die Optimierung der Logistik, die Verbesserung der Last-Mile-Delivery, die Verbesserung der Qualitätskontrolle in der Fertigung und den Beitrag zu Smart-City-Lösungen. Vom E-Commerce bis hin zu Sicherheitsanwendungen ist dieses Dataset eine wichtige Ressource, die Innovationen in der Computer Vision für vielfältige und effiziente Anwendungen zur Paketanalyse fördert.

Intelligente Lagerhäuser und Logistik

In modernen Lagerhäusern können Vision-KI-Lösungen Abläufe durch die Automatisierung der Paketidentifizierung und -sortierung rationalisieren. Computervision-Modelle, die auf diesem Datensatz trainiert wurden, können Pakete schnell und in Echtzeit erkennen und segmentieren, selbst in anspruchsvollen Umgebungen mit schwacher Beleuchtung oder unübersichtlichen Bereichen. Dies führt zu schnelleren Bearbeitungszeiten, weniger Fehlern und einer insgesamt verbesserten Effizienz in der Logistik.

Qualitätskontrolle und Schadenserkennung

Package-Segmentierungsmodelle können verwendet werden, um beschädigte Pakete anhand ihrer Form und ihres Aussehens zu identifizieren. Durch die Erkennung von Unregelmäßigkeiten oder Verformungen in den Paketumrissen tragen diese Modelle dazu bei, dass nur intakte Pakete die Lieferkette durchlaufen, wodurch Kundenbeschwerden und Retourenquoten reduziert werden. Dies ist ein wichtiger Aspekt der Qualitätskontrolle in der Fertigung und ist entscheidend für die Aufrechterhaltung der Produktintegrität.

Datensatz-YAML

Eine YAML-Datei (Yet Another Markup Language) definiert die Dataset-Konfiguration, einschließlich Pfade, Klassen und andere wesentliche Details. Für das Package Segmentation-Dataset ist die package-seg.yaml Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml.

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

Nutzung

Um ein Ultralytics YOLO11n-Modell auf dem Package Segmentation-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, können Sie die folgenden Code-Snippets verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Trainingsseite des Modells.

Trainingsbeispiel

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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")
# Load a pretrained segmentation model and start training
yolo segment train data=package-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

# Resume training from the last checkpoint
yolo segment train data=package-seg.yaml model=path/to/last.pt resume=True

# Validate the trained model
yolo segment val data=package-seg.yaml model=path/to/best.pt

# Perform inference using the trained model
yolo segment predict model=path/to/best.pt source=path/to/image.jpg

Beispieldaten und Anmerkungen

Der Datensatz zur Paketsegmentierung umfasst eine vielfältige Sammlung von Bildern, die aus verschiedenen Perspektiven aufgenommen wurden. Nachfolgend sind Beispiele für Daten aus dem Datensatz zusammen mit ihren jeweiligen Segmentierungsmasken dargestellt:

Beispielbild des Datensatzes

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

Vorteile der Verwendung von YOLO11 für die Paketsegmentierung

Ultralytics YOLO11 bietet mehrere Vorteile für Aufgaben der Paketsegmentierung:

  1. Balance zwischen Geschwindigkeit und Genauigkeit: YOLO11 erzielt eine hohe Präzision und Effizienz und ist somit ideal für Echtzeit-Inferenz in schnelllebigen Logistikumgebungen. Es bietet ein starkes Gleichgewicht im Vergleich zu Modellen wie YOLOv8.

  2. Anpassbarkeit: Mit YOLO11 trainierte Modelle können sich an verschiedene Lagerbedingungen anpassen, von schwacher Beleuchtung bis hin zu unübersichtlichen Bereichen, wodurch eine robuste Leistung gewährleistet wird.

  3. Skalierbarkeit: In Spitzenzeiten wie den Feiertagen können YOLO11-Modelle effizient skaliert werden, um erhöhte Paketvolumina zu bewältigen, ohne die Leistung oder Genauigkeit zu beeinträchtigen.

  4. Integrationsmöglichkeiten: YOLO11 lässt sich problemlos in bestehende Lagerverwaltungssysteme integrieren und über verschiedene Plattformen mithilfe von Formaten wie ONNX oder TensorRT bereitstellen, was durchgängig automatisierte Lösungen ermöglicht.

Zitate und Danksagungen

Wenn Sie den Package Segmentation-Datensatz in Ihre Forschungs- oder Entwicklungsinitiativen integrieren, zitieren Sie bitte die Quelle entsprechend:

@misc{ factory_package_dataset,
    title = { factory_package Dataset },
    type = { Open Source Dataset },
    author = { factorypackage },
    url = { https://universe.roboflow.com/factorypackage/factory_package },
    journal = { Roboflow Universe },
    publisher = { Roboflow },
    year = { 2024 },
    month = { jan },
    note = { visited on 2024-01-24 },
}

Wir bedanken uns bei den Erstellern des Package Segmentation-Datensatzes für ihren Beitrag zur Computer-Vision-Community. Für weitere Erkundungen von Datensätzen und Modelltraining besuchen Sie unsere Ultralytics Datasets-Seite und unseren Leitfaden zu Tipps zum Modelltraining.

FAQ

Was ist der Package Segmentation Dataset und wie kann er bei Computer-Vision-Projekten helfen?

  • Der Package Segmentation Dataset ist eine kuratierte Sammlung von Bildern, die auf Aufgaben im Bereich der Paket-Bildsegmentierung zugeschnitten sind. Er enthält verschiedene Bilder von Paketen in unterschiedlichen Kontexten, was ihn für das Training und die Evaluierung von Segmentierungsmodellen unschätzbar macht. Dieser Datensatz ist besonders nützlich für Anwendungen in der Logistik, der Lagerautomatisierung und für jedes Projekt, das eine präzise Paketanalyse erfordert.

Wie trainiere ich ein Ultralytics YOLO11-Modell auf dem Package Segmentation Datensatz?

  • Sie können ein Ultralytics YOLO11-Modell sowohl mit Python- als auch mit CLI-Methoden trainieren. Verwenden Sie die Code-Snippets im Abschnitt Verwendung. Weitere Informationen zu Argumenten und Konfigurationen finden Sie auf der Trainingsseite des Modells.

Welche Komponenten umfasst der Package Segmentation Dataset und wie ist er strukturiert?

  • Der Datensatz ist in drei Hauptkomponenten strukturiert:
    • Trainingssatz: Enthält 1920 Bilder mit Anmerkungen.
    • Testdatensatz: Umfasst 89 Bilder mit entsprechenden Annotationen.
    • Validierungsdatensatz: Enthält 188 Bilder mit Annotationen.
  • Diese Struktur gewährleistet einen ausgewogenen Datensatz für gründliches Modelltraining, Validierung und Tests, wobei die in den Richtlinien zur Modellevaluierung beschriebenen Best Practices befolgt werden.

Warum sollte ich Ultralytics YOLO11 mit dem Package Segmentation Dataset verwenden?

  • Ultralytics YOLO11 bietet modernste Genauigkeit und Geschwindigkeit für die Echtzeit-Objekterkennung und Segmentierungsaufgaben. Die Verwendung mit dem Package Segmentation Dataset ermöglicht es Ihnen, die Fähigkeiten von YOLO11 für die präzise Paketsegmentierung zu nutzen, was besonders vorteilhaft für Branchen wie Logistik und Lagerautomatisierung ist.

Wie kann ich auf die Datei package-seg.yaml für den Package Segmentation Dataset zugreifen und sie verwenden?



📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 4 Monaten

Kommentare