Paquete de datos de segmentación
El Conjunto de Datos de Segmentación de Paquetes, disponible en Roboflow Universe, es una colección de imágenes seleccionada específicamente para tareas relacionadas con la segmentación de paquetes dentro del campo de la visión artificial. Este conjunto de datos está diseñado para ayudar a investigadores, desarrolladores y entusiastas que trabajan en proyectos que involucran la identificación, clasificación y manipulación de paquetes, centrándose principalmente en tareas de segmentación de imágenes.
Ver: Entrena el modelo de segmentación de paquetes utilizando Ultralytics YOLO11 | Paquetes industriales 🎉
Con un conjunto diverso de imágenes que muestran varios paquetes en diferentes contextos y entornos, el conjunto de datos sirve como un recurso valioso para entrenar y evaluar modelos de segmentación. Ya sea que participe en logística, automatización de almacenes o cualquier aplicación que requiera un análisis preciso de paquetes, el conjunto de datos de segmentación de paquetes proporciona un conjunto de imágenes específico e integral para mejorar el rendimiento de sus algoritmos de visión artificial. Explore más conjuntos de datos para tareas de segmentación en nuestra página de descripción general de conjuntos de datos.
Estructura del conjunto de datos
La distribución de los datos en el Conjunto de Datos de Segmentación de Paquetes se estructura de la siguiente manera:
- Conjunto de entrenamiento: Abarca 1920 imágenes acompañadas de sus correspondientes anotaciones.
- Conjunto de pruebas: Consta de 89 imágenes, cada una emparejada con sus respectivas anotaciones.
- Conjunto de validación: Consta de 188 imágenes, cada una con sus correspondientes anotaciones.
Aplicaciones
La segmentación de paquetes, facilitada por el Dataset de Segmentación de Paquetes, es crucial para optimizar la logística, mejorar la entrega de última milla, mejorar el control de calidad de la fabricación y contribuir a soluciones de ciudades inteligentes. Desde el comercio electrónico hasta las aplicaciones de seguridad, este dataset es un recurso clave, que fomenta la innovación en la visión artificial para diversas y eficientes aplicaciones de análisis de paquetes.
Almacenes Inteligentes y Logística
En los almacenes modernos, las soluciones de IA de visión pueden optimizar las operaciones automatizando la identificación y clasificación de paquetes. Los modelos de visión artificial entrenados en este conjunto de datos pueden detectar y segmentar rápidamente los paquetes en tiempo real, incluso en entornos desafiantes con poca iluminación o espacios desordenados. Esto conduce a tiempos de procesamiento más rápidos, reducción de errores y mejora de la eficiencia general en las operaciones de logística.
Control de calidad y detección de daños
Los modelos de segmentación de paquetes se pueden utilizar para identificar paquetes dañados analizando su forma y apariencia. Al detectar irregularidades o deformaciones en los contornos de los paquetes, estos modelos ayudan a garantizar que solo los paquetes intactos avancen a través de la cadena de suministro, lo que reduce las quejas de los clientes y las tasas de devolución. Este es un aspecto clave del control de calidad en la fabricación y es vital para mantener la integridad del producto.
YAML del conjunto de datos
Un archivo YAML (Yet Another Markup Language) define la configuración del conjunto de datos, incluyendo rutas, clases y otros detalles esenciales. Para el conjunto de datos Package Segmentation, el package-seg.yaml
archivo se mantiene en 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 (103 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: 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: images/test # 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
Uso
Para entrenar un modelo Ultralytics YOLO11n en el conjunto de datos de Segmentación de Paquetes durante 100 epochs con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulta la página de Entrenamiento del modelo.
Ejemplo de entrenamiento
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
Datos de muestra y anotaciones
El conjunto de datos de Segmentación de Paquetes comprende una variada colección de imágenes capturadas desde múltiples perspectivas. A continuación, se muestran ejemplos de datos del conjunto de datos, acompañados de sus respectivas máscaras de segmentación:
- Esta imagen muestra una instancia de segmentación de paquetes, con máscaras anotadas que delinean los objetos de paquetes reconocidos. El conjunto de datos incorpora una colección diversa de imágenes tomadas en diferentes ubicaciones, entornos y densidades. Sirve como un recurso integral para desarrollar modelos específicos para esta tarea de segmentación.
- El ejemplo enfatiza la diversidad y complejidad presentes en el conjunto de datos, subrayando la importancia de los datos de alta calidad para las tareas de visión artificial que involucran la segmentación de paquetes.
Beneficios de usar YOLO11 para la segmentación de paquetes
Ultralytics YOLO11 ofrece varias ventajas para las tareas de segmentación de paquetes:
-
Equilibrio entre velocidad y precisión: YOLO11 logra alta precisión y eficiencia, lo que lo hace ideal para la inferencia en tiempo real en entornos logísticos de ritmo rápido. Proporciona un equilibrio sólido en comparación con modelos como YOLOv8.
-
Adaptabilidad: Los modelos entrenados con YOLO11 pueden adaptarse a diversas condiciones de almacén, desde iluminación tenue hasta espacios desordenados, lo que garantiza un rendimiento sólido.
-
Escalabilidad: Durante los períodos de máxima demanda, como las temporadas de vacaciones, los modelos YOLO11 pueden escalarse eficientemente para gestionar mayores volúmenes de paquetes sin comprometer el rendimiento ni la precisión.
-
Capacidades de integración: YOLO11 se puede integrar fácilmente con los sistemas de gestión de almacenes existentes e implementarse en varias plataformas utilizando formatos como ONNX o TensorRT, lo que facilita soluciones automatizadas de extremo a extremo.
Citas y agradecimientos
Si integra el conjunto de datos Package Segmentation en sus iniciativas de investigación o desarrollo, cite la fuente de forma adecuada:
@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 },
}
Expresamos nuestra gratitud a los creadores del conjunto de datos de segmentación de paquetes por su contribución a la comunidad de visión artificial. Para una mayor exploración de los conjuntos de datos y el entrenamiento de modelos, considere visitar nuestra página de Conjuntos de datos de Ultralytics y nuestra guía sobre consejos para el entrenamiento de modelos.
Preguntas frecuentes
¿Qué es el Dataset de Segmentación de Paquetes y cómo puede ayudar en proyectos de visión artificial?
- El Conjunto de Datos de Segmentación de Paquetes es una colección de imágenes seleccionada y adaptada para tareas que involucran la segmentación de imágenes de paquetes. Incluye diversas imágenes de paquetes en varios contextos, lo que lo hace invaluable para entrenar y evaluar modelos de segmentación. Este conjunto de datos es particularmente útil para aplicaciones en logística, automatización de almacenes y cualquier proyecto que requiera un análisis preciso de paquetes.
¿Cómo entreno un modelo Ultralytics YOLO11 en el conjunto de datos de segmentación de paquetes?
- Puedes entrenar un modelo Ultralytics YOLO11 utilizando los métodos de Python y CLI. Utiliza los fragmentos de código proporcionados en la sección Uso. Consulta la página de Entrenamiento del modelo para obtener más detalles sobre los argumentos y las configuraciones.
¿Cuáles son los componentes del conjunto de datos Package Segmentation y cómo está estructurado?
- El conjunto de datos está estructurado en tres componentes principales:
- Conjunto de entrenamiento: Contiene 1920 imágenes con anotaciones.
- Conjunto de pruebas: Comprende 89 imágenes con las anotaciones correspondientes.
- Conjunto de validación: Incluye 188 imágenes con anotaciones.
- Esta estructura garantiza un conjunto de datos equilibrado para un entrenamiento, validación y prueba exhaustivos del modelo, siguiendo las mejores prácticas descritas en las guías de evaluación del modelo.
¿Por qué debería usar Ultralytics YOLO11 con el conjunto de datos de segmentación de paquetes?
- Ultralytics YOLO11 proporciona precisión y velocidad de última generación para tareas de detección de objetos y segmentación en tiempo real. Usarlo con el Conjunto de datos de segmentación de paquetes le permite aprovechar las capacidades de YOLO11 para la segmentación precisa de paquetes, lo que es especialmente beneficioso para industrias como la logística y la automatización de almacenes.
¿Cómo puedo acceder y utilizar el archivo package-seg.yaml para el conjunto de datos de segmentación de paquetes?
- El
package-seg.yaml
El archivo se encuentra alojado en el repositorio de GitHub de Ultralytics y contiene información esencial sobre las rutas, las clases y la configuración del conjunto de datos. Puede visualizarlo o descargarlo en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml. Este archivo es crucial para configurar sus modelos para utilizar el conjunto de datos de forma eficiente. Para obtener más información y ejemplos prácticos, explore nuestro Uso de Python sección.