Zum Inhalt springen

Paketsegmentierungsdatensatz

Öffnen Sie den Paketsegmentierungsdatensatz in Colab

Der Paketsegmentierungsdatensatz, der auf Roboflow Universe verfügbar ist, ist eine kuratierte Sammlung von Bildern, die speziell auf Aufgaben im Zusammenhang mit der Segmentierung von Paketen 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 auf Bildsegmentierungsaufgaben liegt.



Beobachten: Trainieren des Verpackungssegmentierungsmodells mit Ultralytics YOLO11 | Industrieverpackungen 🎉

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. Ganz gleich, ob Sie in der Logistik, der Lagerautomatisierung oder einer anderen Anwendung tätig sind, die eine präzise Analyse von Verpackungen erfordert, der Datensatz zur Verpackungssegmentierung bietet eine gezielte und umfassende Auswahl an Bildern, um die Leistung Ihrer Computer-Vision-Algorithmen zu verbessern. Weitere Datensätze für Segmentierungsaufgaben finden Sie auf unserer Übersichtsseite für Datensätze.

Struktur des Datensatzes

Die Verteilung der Daten im Paketsegmentierungsdatensatz ist wie folgt strukturiert:

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

Anwendungen

Die Segmentierung von Paketen, die durch den Paketsegmentierungsdatensatz 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 intelligenten Stadtlösungen. Vom elektronischen Handel bis hin zu Sicherheitsanwendungen ist dieser Datensatz eine wichtige Ressource, die Innovationen im Bereich der Computer Vision für vielfältige und effiziente Anwendungen der Paketanalyse fördert.

Intelligente Lagerhäuser und Logistik

In modernen Lagern können KI-Lösungen die Abläufe optimieren, indem sie die Identifizierung und Sortierung von Paketen automatisieren. Auf diesem Datensatz trainierte Bildverarbeitungsmodelle können Pakete schnell und in Echtzeit erkennen und segmentieren, selbst in schwierigen Umgebungen mit schwacher Beleuchtung oder unübersichtlichen Räumen. Dies führt zu schnelleren Verarbeitungszeiten, weniger Fehlern und einer verbesserten Gesamteffizienz der Logistikabläufe.

Qualitätskontrolle und Schadensermittlung

Modelle zur Segmentierung von Paketen können verwendet werden, um beschädigte Pakete durch Analyse ihrer Form und ihres Aussehens zu identifizieren. Durch die Erkennung von Unregelmäßigkeiten oder Verformungen in den Umrissen der Verpackungen tragen diese Modelle dazu bei, dass nur intakte Verpackungen die Lieferkette durchlaufen, wodurch Kundenbeschwerden und Rücksendequoten reduziert werden. Dies ist ein wichtiger Aspekt der Qualitätskontrolle in der Fertigung und entscheidend für die Wahrung der Produktintegrität.

Datensatz YAML

Eine YAML-Datei (Yet Another Markup Language) definiert die Konfiguration des Datensatzes, einschließlich Pfaden, Klassen und anderen wichtigen Details. Für den Datensatz Paketsegmentierung wird die Datei 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 (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: train/images # train images (relative to 'path') 1920 images
val: valid/images # 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

Zur Ausbildung eines Ultralytics YOLO11n-Modell auf dem Paketsegmentierungsdatensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, können Sie die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Modelltraining.

Beispiel für einen Zug

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 Paketsegmentierungsdatensatz umfasst eine vielfältige Sammlung von Bildern, die aus verschiedenen Perspektiven aufgenommen wurden. Nachfolgend finden Sie Beispiele von Daten aus dem Datensatz, begleitet von den jeweiligen Segmentierungsmasken:

Datensatz Beispielbild

  • Dieses Bild zeigt ein Beispiel für die Segmentierung von Paketen mit beschrifteten Masken, die erkannte Paketobjekte umreißen. Der Datensatz umfasst eine vielfältige Sammlung von Bildern, die an verschiedenen Orten, in verschiedenen Umgebungen und mit unterschiedlicher Dichte aufgenommen wurden. Er dient als umfassende Ressource für die Entwicklung von Modellen speziell für diese Segmentierungsaufgabe.
  • Das Beispiel verdeutlicht die Vielfalt und Komplexität des Datensatzes und unterstreicht die Bedeutung qualitativ hochwertiger Daten für Computer-Vision-Aufgaben, die eine Segmentierung von Paketen erfordern.

Vorteile der Verwendung von YOLO11 für die Paketsegmentierung

Ultralytics YOLO11 bietet mehrere Vorteile für Paketsegmentierungsaufgaben:

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

  2. Anpassungsfähigkeit: Modelle, die mit YOLO11 trainiert wurden, können sich an verschiedene Lagerbedingungen anpassen, von schwacher Beleuchtung bis hin zu unübersichtlichen Räumen, und gewährleisten so eine robuste Leistung.

  3. Skalierbarkeit: In Spitzenzeiten wie der Urlaubssaison können die YOLO11 effizient skaliert werden, um ein höheres Paketaufkommen zu bewältigen, ohne die Leistung oder Genauigkeit zu beeinträchtigen.

  4. Integrationsfähigkeiten: YOLO11 kann leicht in bestehende Lagerverwaltungssysteme integriert und über verschiedene Plattformen hinweg eingesetzt werden, wobei Formate wie ONNX oder TensorRTeingesetzt werden, was automatisierte End-to-End-Lösungen ermöglicht.

Zitate und Danksagungen

Wenn Sie den Paketsegmentierungsdatensatz in Ihre Forschungs- oder Entwicklungsinitiativen integrieren, geben Sie bitte die Quelle entsprechend an:

@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 danken den Erstellern des Paketsegmentierungsdatensatzes für ihren Beitrag zur Computer Vision Community. Weitere Informationen zu Datensätzen und zur Modellschulung finden Sie auf unserer Seite Ultralytics und in unserem Leitfaden mit Tipps zur Modellschulung.

FAQ

Was ist der Paketsegmentierungsdatensatz und wie kann er bei Computer-Vision-Projekten helfen?

  • Der Paketsegmentierungsdatensatz ist eine kuratierte Sammlung von Bildern, die auf Aufgaben zur Segmentierung von Paketbildern zugeschnitten sind. Sie enthält verschiedene Bilder von Paketen in unterschiedlichen Kontexten und ist damit 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.

Wie trainiere ich ein Ultralytics YOLO11 Modell mit dem Paketsegmentierungsdatensatz?

  • Sie können einen Ultralytics YOLO11 Modell sowohl mit Python als auch mit CLI trainieren. Verwenden Sie die im Abschnitt " Verwendung" bereitgestellten Codeschnipsel. Weitere Einzelheiten zu Argumenten und Konfigurationen finden Sie auf der Seite Modelltraining.

Aus welchen Bestandteilen besteht der Paketsegmentierungsdatensatz, und wie ist er aufgebaut?

  • Der Datensatz ist in drei Hauptkomponenten gegliedert:
    • Übungssatz: Enthält 1920 Bilder mit Kommentaren.
    • Testsatz: Besteht aus 89 Bildern mit entsprechenden Kommentaren.
    • Validierungssatz: Umfasst 188 Bilder mit Kommentaren.
  • Diese Struktur gewährleistet einen ausgewogenen Datensatz für eine gründliche Modellschulung, -validierung und -prüfung, wobei die in den Leitfäden zur Modellevaluierung beschriebenen bewährten Verfahren befolgt werden.

Warum sollte ich Ultralytics YOLO11 mit dem Paketsegmentierungsdatensatz verwenden?

  • Ultralytics YOLO11 bietet modernste Genauigkeit und Geschwindigkeit für Echtzeit-Objekterkennung und Segmentierungsaufgaben. Durch die Verwendung mit dem Package Segmentation Dataset können Sie die Fähigkeiten von YOLO11 zur präzisen Segmentierung von Paketen nutzen, was insbesondere für Branchen wie Logistik und Lagerautomatisierung von Vorteil ist.

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

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 15 Tagen
glenn-jocher RizwanMunawar UltralyticsAssistent MatthewNoyce jk4e

Kommentare