Dataset 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 dataset SKU-110K es un dataset de detección de objetos de una sola clase, compuesto por 11.743 imágenes de estanterías de tiendas 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 única caja delimitadora bajo una sola clase, object — el nombre hace referencia a las más de 110.000 unidades de mantenimiento de existencias (SKUs) únicas representadas en las escenas, no a 110.000 clases de detección. Creado por Eran Goldman et al. para el artículo de CVPR 2019 Precise Detection in Densely Packed Scenes, contiene más de 1,7 millones de productos anotados — una media aproximada de 147 por imagen —, lo que lo convierte en un benchmark exigente para modelos de visión artificial en entornos comerciales con mucha afluencia.

Características principales#

• Detección de una sola clase: Cada producto está etiquetado con una única caja delimitadora bajo una sola 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, con objetos que a menudo parecen similares o incluso idénticos y están situados muy cerca unos de otros.
• Gran escala: Más de 110.000 SKUs 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 dataset#

El dataset SKU-110K se divide en tres subconjuntos, todos ellos con la clase única object:

Aplicaciones#

El dataset SKU-110K se utiliza ampliamente para entrenar y evaluar modelos de aprendizaje profundo en tareas de detección de objetos, especialmente en escenas densamente agrupadas, como las exposiciones de productos en estanterías comerciales. Entre sus aplicaciones se incluyen:

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

Para anotar tus propias imágenes de estanterías, entrenar y gestionar datasets de detección comercial desde el navegador, ejecuta el flujo de trabajo completo con Ultralytics Platform.

YAML del dataset#

El archivo SKU-110K.yaml define la configuración del dataset — las rutas del dataset, 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 dataset SKU-110K durante 100 épocas y con un tamaño de imagen de 640, puedes utilizar 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

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

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

Datos de ejemplo y anotaciones#

Las imágenes de SKU-110K capturan productos densamente agrupados en estanterías de tiendas reales, donde docenas de artículos casi idénticos están colocados uno junto a 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 densamente agrupados en una estantería comercial. Los objetos están anotados con cajas delimitadoras bajo la clase única object.

La disposición densa de los productos hace que SKU-110K sea especialmente valioso para desarrollar soluciones sólidas de visión artificial orientadas al comercio minorista, ya que el elevado número de objetos por imagen lleva a los detectores mucho más allá de los benchmarks habituales.

Citas y agradecimientos#

Si utilizas el dataset SKU-110K en tu trabajo de investigación o 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 agradecer a Eran Goldman et al. la creación y el mantenimiento del dataset SKU-110K como recurso valioso para la comunidad investigadora de visión artificial. Para obtener más información sobre el dataset SKU-110K y sus creadores, visita el repositorio de SKU-110K en GitHub.

Preguntas frecuentes#