Datensatz zur Paketsegmentierung#

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 Paketsegmentierung ist eine kuratierte Sammlung von 2.197 annotierten Bildern von Paketen zum Trainieren von Modellen für die Instanzsegmentierung mit einer einzigen Klasse package. Der Datensatz wurde für Anwendungsfälle in Logistik und Lagerautomatisierung wie Paketerkennung, Sortierung und Handhabung entwickelt und lässt sich direkt mit Ultralytics YOLO für die Paketanalyse in Echtzeit in Computer-Vision-Pipelines einsetzen. Weitere Datensätze zur Segmentierung findest du auf unserer Übersichtsseite für Datensätze.

Datensatzstruktur#

Der Datensatz zur Paketsegmentierung teilt seine 2.197 Bilder wie folgt auf:

• Trainingsdatensatz: 1.920 Bilder zum Trainieren des Deep-Learning-Modells.
• Validierungsdatensatz: 188 Bilder, die während des Trainings zur Anpassung der Hyperparameter und zur Vermeidung von Überanpassung verwendet werden.
• Testdatensatz: 89 zurückgehaltene Bilder zur Bewertung des Modells nach dem Training.
• Klassen: eine einzige Klasse package, die jedes annotierte Paket abdeckt.
• Downloadgröße: ~103 MB.

Anwendungen#

Die Paketsegmentierung optimiert Logistik, die Zustellung auf der letzten Meile, die Qualitätskontrolle in der Fertigung und Smart-City-Systeme und findet Anwendung in der Abwicklung von E-Commerce-Bestellungen sowie bei Sicherheitskontrollen. Präzise Paketmasken ermöglichen es automatisierten Systemen, Pakete in Echtzeit zu lokalisieren, zu zählen und zu prüfen.

Intelligente Lager und Logistik#

In modernen Lagern können KI-Lösungen für die Bildverarbeitung Abläufe durch die Automatisierung der Paketerkennung und -sortierung effizienter gestalten. Auf diesem Datensatz trainierte Computer-Vision-Modelle können Pakete schnell erkennen und in Echtzeit segmentieren, selbst unter schwierigen Bedingungen wie schwacher Beleuchtung oder in unübersichtlichen Räumen. Dies führt zu kürzeren Bearbeitungszeiten, weniger Fehlern und einer insgesamt höheren Effizienz in Logistikabläufen.

Qualitätskontrolle und Schadenserkennung#

Modelle zur Paketsegmentierung können beschädigte Pakete anhand ihrer Form und ihres Erscheinungsbilds erkennen. Durch die Erkennung von Unregelmäßigkeiten oder Verformungen in den Paketumrissen tragen diese Modelle dazu bei, dass nur unbeschädigte Pakete die Lieferkette durchlaufen, wodurch sich Kundenbeschwerden und Rücksendequoten verringern. Dies ist ein wichtiger Bestandteil der Qualitätskontrolle in der Fertigung und entscheidend für die Wahrung der Produktintegrität.

Der vollständige Datensatz zur Paketsegmentierung kann außerdem auf der Ultralytics Platform durchsucht und verwaltet werden.

Dataset-YAML#

Eine YAML-Datei definiert die Datensatzkonfiguration, einschließlich Pfaden, Klassen und weiterer wichtiger Details. Für den Datensatz zur Paketsegmentierung 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 100 Epochen lang mit einer Bildgröße von 640 auf dem Datensatz zur Paketsegmentierung 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 Seite zum Training des Modells.

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 siehst du ein Beispiel aus dem Datensatz zur Paketsegmentierung mit darübergelegten Segmentierungsmasken, die erkannte Pakete umreißen:

Der Datensatz umfasst unterschiedliche Standorte, Umgebungen und Paketdichten. Dadurch lernen Modelle, die darauf trainiert werden, die Vielfalt realer Logistikszenen kennen, über die sie verallgemeinern müssen. Auf der Seite zur Segmentierungsaufgabe findest du weitere Informationen zu entsprechenden Arbeitsabläufen.

Zitate und Danksagungen#

Wenn du den Datensatz zur Paketsegmentierung in deine Forschungs- oder Entwicklungsprojekte integrierst, zitiere bitte die Quelle ordnungsgemäß:

@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 Paketsegmentierung für ihren Beitrag zur Computer-Vision-Community. Weitere Datensätze findest du in der Ultralytics-Datensammlung und in unserem Leitfaden zu Tipps für das Modelltraining.

FAQ#