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 der Computer Vision zugeschnitten sind. Dieser Datensatz soll Forschern, Entwicklern und Enthusiasten helfen, die an Projekten im Zusammenhang mit der 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. Ganz gleich, ob Sie in der Logistik, der Lagerautomatisierung oder einer anderen Anwendung tätig sind, die eine präzise Analyse von Paketen erfordert, der Paketsegmentierungsdatensatz bietet einen gezielten und umfassenden Satz von Bildern, um die Leistung Ihrer Computer-Vision-Algorithmen zu verbessern.

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.

Datensatz YAML

Eine YAML-Datei (Yet Another Markup Language) wird zur Definition der Dataset-Konfiguration verwendet. Sie enthält Informationen über die Pfade des Datasets, Klassen und andere relevante Informationen. Im Falle des Datasets Paketsegmentierung ist die Datei 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

Zum Trainieren des Modells Ultralytics YOLO11n auf dem Paketsegmentierungsdatensatz für 100 Epochen mit einer Bildgröße von 640 können Sie die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Modelltraining.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt epochs=100 imgsz=640

Beispieldaten und Anmerkungen

Der Paketsegmentierungsdatensatz umfasst eine vielfältige Sammlung von Bildern und Videos, die aus verschiedenen Perspektiven aufgenommen wurden. Nachfolgend finden Sie Daten aus dem Datensatz, die mit den entsprechenden Anmerkungen versehen sind:

• Dieses Bild zeigt ein Beispiel für die Erkennung von Bildobjekten 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 mit unterschiedlicher Dichte aufgenommen wurden. Er dient als umfassende Ressource für die Entwicklung von Modellen speziell für diese Aufgabe.
• Das Beispiel verdeutlicht die Vielfalt und Komplexität des VisDrone-Datensatzes und unterstreicht die Bedeutung von qualitativ hochwertigen Sensordaten für Computer-Vision-Aufgaben mit Drohnen.

Zitate und Danksagungen

Wenn Sie den Datensatz zur Risssegmentierung in Ihre Forschungs- oder Entwicklungsinitiativen einbeziehen, zitieren Sie 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 seine Bemühungen bei der Erstellung und Pflege des Paketsegmentierungsdatensatzes, der für Logistik- und Forschungsprojekte von großem Wert ist. Weitere Informationen über den Paketsegmentierungsdatensatz und seine Ersteller finden Sie auf der Seite des Paketsegmentierungsdatensatzes.

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 Aufgaben der Paketsegmentierung 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. 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 YOLO11 Modell mit dem Paketsegmentierungsdatensatz?

Sie können ein Ultralytics YOLO11n-Modell sowohl mit der Methode Python als auch mit der Methode CLI trainieren. Verwenden Sie die folgenden Schnipsel:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt epochs=100 imgsz=640

Weitere Einzelheiten finden Sie auf der Seite Modellschulung.

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, wodurch die Leistung der Segmentierungsalgorithmen verbessert wird.

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 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 finden Sie auf unserer Seite zur Segmentierung YOLO11 .

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

Die package-seg.yaml Datei wird auf Ultralytics' GitHub Repository gehostet und enthält wichtige Informationen über die Pfade, Klassen und Konfiguration des Datensatzes. Sie können sie herunterladen von hier. Diese Datei ist entscheidend für die Konfiguration Ihrer Modelle zur effizienten Nutzung des Datensatzes.

Weitere Einblicke und praktische Beispiele finden Sie in unserem Abschnitt über die Verwendung.

📅 Erstellt vor 10 Monaten ✏️ Aktualisiert vor 2 Monaten

Kommentare