Zum Inhalt springen

Roboflow Universum Paket Segmentierungsdatensatz

Der Roboflow Package Segmentation Dataset ist eine kuratierte Sammlung von Bildern, die speziell fĂŒr 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 enthĂ€lt eine Vielzahl von Bildern, die verschiedene Pakete in unterschiedlichen Kontexten und Umgebungen zeigen, und dient als wertvolle Ressource fĂŒr das Training und die Evaluierung von Segmentierungsmodellen. Egal, ob du in der Logistik, der Lagerautomatisierung oder einer anderen Anwendung tĂ€tig bist, die eine prĂ€zise 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 fĂŒr die Optimierung der Logistik, die Verbesserung der Zustellung auf der letzten Meile, die Verbesserung der QualitĂ€tskontrolle 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 fĂŒr vielfĂ€ltige 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 enthĂ€lt Informationen ĂŒber 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/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://ultralytics.com/assets/package-seg.zip

Verwendung

Um das Modell Ultralytics YOLOv8n auf dem Package Segmentation Dataset fĂŒr 100 Epochen mit einer BildgrĂ¶ĂŸe von 640 zu trainieren, kannst du die folgenden Codeschnipsel verwenden. Eine vollstĂ€ndige Liste der verfĂŒgbaren Argumente findest du auf der Seite Modelltraining.

Beispiel fĂŒr einen Zug

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

Datensatz Beispielbild

  • Dieses Bild zeigt ein Beispiel fĂŒr die Erkennung von Objekten in Bildern, mit kommentierten Bounding Boxes und Masken, die die erkannten Objekte umreißen. Der Datensatz umfasst eine vielfĂ€ltige Sammlung von Bildern, die an verschiedenen Orten, in unterschiedlichen Umgebungen und in verschiedenen Dichten aufgenommen wurden. Er dient als umfassende Ressource fĂŒr die Entwicklung von Modellen, die speziell auf diese Aufgabe zugeschnitten sind.
  • Das Beispiel verdeutlicht die Vielfalt und KomplexitĂ€t des VisDrone-Datensatzes und unterstreicht die Bedeutung hochwertiger Sensordaten fĂŒr 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 fĂŒr die Erstellung und Pflege des Paketsegmentierungsdatensatzes, der ein wertvolles Hilfsmittel fĂŒr Logistik- und Forschungsprojekte ist. Weitere Informationen ĂŒber den Paketsegmentierungsdatensatz und seine Ersteller findest du auf der Seite zum Paketsegmentierungsdatensatz.



Created 2024-01-25, Updated 2024-06-02
Authors: glenn-jocher (3), RizwanMunawar (1)

Kommentare