Conjunto de datos SKU-110K#

11,743

SKU-110K

ultralytics

publicDetect

SKU-110K is Trax Retail's densely packed shelf-product benchmark, with over 1.7 million boxes in one generic object class. It targets extreme object density, small products, overlap, and repetitive packaging for retail shelf detection, counting, and inventory analysis.

1 class17.2 GBSep 2, 2026

object

object-detectionsku110kretail+1

El conjunto de datos SKU-110K es un conjunto de datos de una sola clase para la detección de objetos, compuesto por 11.743 imágenes de estanterías comerciales con productos densamente agrupados, dividido en 8.219 imágenes de entrenamiento, 588 de validación y 2.936 de prueba. Cada producto está anotado con una caja delimitadora bajo una única clase, object: el nombre hace referencia a las más de 110.000 unidades de mantenimiento de existencias (SKUs) únicas que aparecen en las escenas, no a 110.000 clases de detección. Creado por Eran Goldman y otros para el artículo de CVPR 2019 Precise Detection in Densely Packed Scenes, contiene más de 1,7 millones de productos anotados —una media de unos 147 por imagen—, lo que lo convierte en un exigente banco de pruebas para modelos de visión artificial en entornos comerciales concurridos.

Características principales#

• Detección de una sola clase: Cada producto tiene una caja delimitadora asociada a una única clase, object (names: {0: object}); las anotaciones no incluyen etiquetas de categoría por SKU.
• Densidad extrema de objetos: Las imágenes de estanterías de tiendas de todo el mundo contienen una media aproximada de 147 productos muy juntos, cuyos objetos suelen parecerse mucho o incluso ser idénticos y estar colocados muy cerca unos de otros.
• Gran escala: Más de 110.000 SKU únicos y más de 1,7 millones de cajas delimitadoras anotadas en 11.743 imágenes ponen a prueba los detectores de objetos más avanzados.

Estructura del conjunto de datos#

El conjunto de datos SKU-110K se divide en tres subconjuntos, todos con la misma clase object:

Aplicaciones#

El conjunto de datos SKU-110K se utiliza ampliamente para entrenar y evaluar modelos de aprendizaje profundo en tareas de detección de objetos, especialmente en escenas densamente pobladas, como las estanterías de tiendas. Entre sus aplicaciones se incluyen:

• Gestión y automatización del inventario minorista
• Reconocimiento de productos en plataformas de comercio electrónico
• Verificación del cumplimiento de planogramas
• Sistemas de autopago en tiendas
• Recogida y clasificación robóticas en almacenes

Para anotar tus propias imágenes de estanterías, entrenar y gestionar conjuntos de datos de detección minorista desde el navegador, ejecuta todo el flujo de trabajo con Ultralytics Platform.

YAML del conjunto de datos#

El archivo SKU-110K.yaml define la configuración del conjunto de datos: las rutas, los nombres de las clases y otros metadatos. Se mantiene en el repositorio de Ultralytics en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/SKU-110K.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# SKU-110K retail items dataset https://github.com/eg4000/SKU110K_CVPR19 by Trax Retail
# Documentation: https://docs.ultralytics.com/datasets/detect/sku-110k
# Example usage: yolo train data=SKU-110K.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── SKU-110K ← downloads here (13.6 GB)

# 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: SKU-110K # dataset root dir
train: train.txt # train images (relative to 'path') 8219 images
val: val.txt # val images (relative to 'path') 588 images
test: test.txt # test images (optional) 2936 images

# Classes
names:
  0: object

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  import shutil
  from pathlib import Path

  import numpy as np
  import polars as pl

  from ultralytics.utils import TQDM
  from ultralytics.utils.downloads import download
  from ultralytics.utils.ops import xyxy2xywh

  # Download
  dir = Path(yaml["path"])  # dataset root dir
  parent = Path(dir.parent)  # download dir
  urls = ["http://trax-geometry.s3.amazonaws.com/cvpr_challenge/SKU110K_fixed.tar.gz"]
  download(urls, dir=parent)

  # Rename directories
  if dir.exists():
      shutil.rmtree(dir)
  (parent / "SKU110K_fixed").rename(dir)  # rename dir
  (dir / "labels").mkdir(parents=True, exist_ok=True)  # create labels dir

  # Convert labels
  names = "image", "x1", "y1", "x2", "y2", "class", "image_width", "image_height"  # column names
  for d in "annotations_train.csv", "annotations_val.csv", "annotations_test.csv":
      x = pl.read_csv(dir / "annotations" / d, has_header=False, new_columns=names, infer_schema_length=None).to_numpy()  # annotations
      images, unique_images = x[:, 0], np.unique(x[:, 0])
      with open((dir / d).with_suffix(".txt").__str__().replace("annotations_", ""), "w", encoding="utf-8") as f:
          f.writelines(f"./images/{s}\n" for s in unique_images)
      for im in TQDM(unique_images, desc=f"Converting {dir / d}"):
          cls = 0  # single-class dataset
          with open((dir / "labels" / im).with_suffix(".txt"), "a", encoding="utf-8") as f:
              for r in x[images == im]:
                  w, h = r[6], r[7]  # image width, height
                  xywh = xyxy2xywh(np.array([[r[1] / w, r[2] / h, r[3] / w, r[4] / h]]))[0]  # instance
                  f.write(f"{cls} {xywh[0]:.5f} {xywh[1]:.5f} {xywh[2]:.5f} {xywh[3]:.5f}\n")  # write label

Uso#

Para entrenar un modelo YOLO26n con el conjunto de datos SKU-110K durante 100 épocas y con un tamaño de imagen de 640, puedes usar los siguientes fragmentos de código. Para consultar una lista completa de los argumentos disponibles, visita la página de Entrenamiento del modelo.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrenar el modelo
results = model.train(data="SKU-110K.yaml", epochs=100, imgsz=640)

Datos de ejemplo y anotaciones#

Las imágenes de SKU-110K muestran productos muy juntos en estanterías de tiendas reales, donde decenas de artículos casi idénticos están uno al lado del otro. Aquí tienes un ejemplo de imagen con sus anotaciones:

• Imagen de una estantería comercial con productos densamente agrupados: Esta imagen muestra un ejemplo de objetos muy juntos en una estantería comercial. Los objetos están anotados con cajas delimitadoras de la única clase object.

La distribución densa de los productos hace que SKU-110K sea especialmente valioso para desarrollar soluciones de visión artificial sólidas orientadas al comercio minorista, ya que la gran cantidad de objetos por imagen lleva a los detectores mucho más allá de los bancos de pruebas habituales.

Citas y agradecimientos#

Si utilizas el conjunto de datos SKU-110K en tu investigación o trabajo de desarrollo, cita el siguiente artículo:

@inproceedings{goldman2019dense,
  author    = {Eran Goldman and Roei Herzig and Aviv Eisenschtat and Jacob Goldberger and Tal Hassner},
  title     = {Precise Detection in Densely Packed Scenes},
  booktitle = {Proc. Conf. Comput. Vision Pattern Recognition (CVPR)},
  year      = {2019}
}

Queremos reconocer la labor de Eran Goldman y otros por crear y mantener el conjunto de datos SKU-110K como recurso valioso para la comunidad de investigación en visión artificial. Para obtener más información sobre el conjunto de datos SKU-110K y sus creadores, visita el repositorio de GitHub del conjunto de datos SKU-110K.

Preguntas frecuentes#