Roboflow Universum Paket Segmentierungsdatensatz

Der Roboflow Package Segmentation Dataset ist eine kuratierte Sammlung von Bildern, die speziell für Aufgaben im Zusammenhang mit der Segmentierung von Paketen auf dem Gebiet des Computer Vision zugeschnitten sind. Dieser Datensatz soll Forschern, Entwicklern und Enthusiasten helfen, die an Projekten zur Identifizierung, Sortierung und Handhabung von Paketen arbeiten.

Der Datensatz enthält eine Vielzahl von 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 einer anderen Anwendung tätig bist, die eine präzise Analyse von Paketen erfordert, der Paketsegmentierungsdatensatz bietet eine gezielte und umfassende Auswahl an Bildern, um die Leistung deiner Computer-Vision-Algorithmen zu verbessern.

Struktur des Datensatzes

Die Verteilung der Daten im Paketsegmentierungsdatensatz ist wie folgt strukturiert:

• Trainingsset: Umfasst 1920 Bilder mit den dazugehörigen Kommentaren.
• Testsatz: Besteht aus 89 Bildern, die jeweils mit den dazugehörigen Kommentaren gepaart sind.
• Validierungssatz: Besteht aus 188 Bildern, die jeweils mit entsprechenden Anmerkungen versehen sind.

Anwendungen

Die Segmentierung von Paketen, die durch den Package Segmentation Dataset ermöglicht wird, ist entscheidend für die Optimierung der Logistik, die Verbesserung der Zustellung auf der letzten Meile, die Verbesserung der Qualitätskontrolle in der Produktion und den Beitrag zu Smart City-Lösungen. Vom E-Commerce bis hin zu Sicherheitsanwendungen ist dieser Datensatz eine wichtige Ressource, die Innovationen in der Computer Vision für vielfältige und effiziente Anwendungen der Paketanalyse fördert.

Datensatz YAML

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Konfiguration des Datensatzes zu definieren. Sie enthält Informationen über die Pfade des Datasets, die Klassen und andere wichtige Informationen. Im Fall des Datensatzes Paketsegmentierung ist die package-seg.yaml Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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 (102 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: ../datasets/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: test/images # 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

Verwendung

Um das Modell Ultralytics YOLOv8n auf dem Package Segmentation Dataset für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Codeschnipsel verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Modelltraining.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=package-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Beispieldaten und Anmerkungen

Der Datensatz für die Paketsegmentierung umfasst eine vielfältige Sammlung von Bildern und Videos, die aus verschiedenen Perspektiven aufgenommen wurden. Nachfolgend findest du einige Daten aus dem Datensatz mit den dazugehörigen Kommentaren:

• Dieses Bild zeigt ein Beispiel für die Erkennung von Objekten in Bildern, mit kommentierten Bounding Boxes und Masken, die die erkannten Objekte umreißen. Der Datensatz umfasst eine vielfältige Sammlung von Bildern, die an verschiedenen Orten, in unterschiedlichen Umgebungen und in verschiedenen Dichten aufgenommen wurden. Er dient als umfassende Ressource für die Entwicklung von Modellen, die speziell auf diese Aufgabe zugeschnitten sind.
• Das Beispiel verdeutlicht die Vielfalt und Komplexität des VisDrone-Datensatzes und unterstreicht die Bedeutung hochwertiger Sensordaten für Computer Vision-Aufgaben mit Drohnen.

Zitate und Danksagungen

Wenn du den Datensatz zur Riss-Segmentierung in deine Forschungs- oder Entwicklungsinitiativen integrierst, zitiere bitte das folgende Dokument:

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

Wir danken dem Team von Roboflow für die Erstellung und Pflege des Paketsegmentierungsdatensatzes, der ein wertvolles Hilfsmittel für Logistik- und Forschungsprojekte ist. Weitere Informationen über den Paketsegmentierungsdatensatz und seine Ersteller findest du auf der Seite zum Paketsegmentierungsdatensatz.

FAQ

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

Der Roboflow Package Segmentation Dataset ist eine kuratierte Sammlung von Bildern, die auf die Segmentierung von Paketen zugeschnitten ist. Sie enthält verschiedene Bilder von Paketen in unterschiedlichen Kontexten und ist daher von unschätzbarem Wert für das Training und die Evaluierung von Segmentierungsmodellen. Dieser Datensatz ist besonders nützlich für Anwendungen in der Logistik, der Lagerautomatisierung und für alle Projekte, die eine präzise Paketanalyse erfordern. Er hilft bei der Optimierung der Logistik und der Verbesserung von Bildverarbeitungsmodellen für die genaue Identifizierung und Sortierung von Paketen.

Wie trainiere ich ein Ultralytics YOLOv8 Modell mit dem Paketsegmentierungsdatensatz?

Du kannst ein Ultralytics YOLOv8n Modell mit den beiden Methoden Python und CLI trainieren. Verwende die folgenden Schnipsel:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model

# Train the model
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=package-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Weitere Informationen findest du auf der Seite zum Modell Training.

Was sind die Bestandteile des Datensatzes zur Paketsegmentierung und wie ist er aufgebaut?

The dataset is structured into three main components:

• Training set: Contains 1920 images with annotations.
• Testing set: Comprises 89 images with corresponding annotations.
• Validation set: Includes 188 images with annotations.

Diese Struktur sorgt für einen ausgewogenen Datensatz zum gründlichen Trainieren, Validieren und Testen der Modelle und verbessert so die Leistung der Segmentierungsalgorithmen.

Warum sollte ich Ultralytics YOLOv8 mit dem Paketsegmentierungsdatensatz verwenden?

Ultralytics YOLOv8 bietet modernste Genauigkeit und Geschwindigkeit für die Erkennung und Segmentierung von Objekten in Echtzeit. In Verbindung mit dem Package Segmentation Dataset kannst du die Fähigkeiten von YOLOv8 für die präzise Segmentierung von Paketen nutzen. Diese Kombination ist besonders vorteilhaft für Branchen wie Logistik und Lagerautomatisierung, in denen die genaue Identifizierung von Paketen entscheidend ist. Weitere Informationen findest du auf unserer Seite zur Segmentierung YOLOv8 .

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

Die package-seg.yaml Datei befindet sich auf Ultralytics im GitHub-Repository und enthält wichtige Informationen über die Pfade, Klassen und die Konfiguration des Datensatzes. Du kannst sie herunterladen von hier. Diese Datei ist wichtig, um deine Modelle so zu konfigurieren, dass sie den Datensatz effizient nutzen können.

Weitere Einblicke und praktische Beispiele findest du in unserem Abschnitt über die Nutzung.

📅 Created 7 months ago ✏️ Updated 4 days ago

Kommentare