Conjunto de datos de segmentación de paquetes

El conjunto de datos de segmentación de paquetes es una colección seleccionada de imágenes diseñadas 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 implican la identificación, clasificación y manipulación de paquetes, centrándose principalmente en tareas de segmentación de imágenes.

Al contener 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. Tanto si te dedicas a la logística, la 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 y completo para mejorar el rendimiento de tus algoritmos de visión artificial. Explora 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 está estructurada de la siguiente manera:

• Conjunto de entrenamiento: Abarca 1920 imágenes acompañadas de sus anotaciones correspondientes.
• Conjunto de pruebas: Consta de 89 imágenes, cada una emparejada con sus respectivas anotaciones.
• Conjunto de validación: Comprende 188 imágenes, cada una con sus anotaciones correspondientes.

Aplicaciones

La segmentación de paquetes, facilitada por el conjunto de datos de segmentación de paquetes, es crucial para optimizar la logística, mejorar la entrega de última milla, mejorar el control de calidad en la fabricación y contribuir a soluciones de ciudades inteligentes. Desde el comercio electrónico hasta las aplicaciones de seguridad, este conjunto de datos 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 agilizar las operaciones mediante la automatización de la identificación y clasificación de paquetes. Los modelos de visión artificial entrenados con este conjunto de datos pueden detectar y segmentar rápidamente paquetes en tiempo real, incluso en entornos difíciles con poca iluminación o espacios desordenados. Esto conduce a tiempos de procesamiento más rápidos, reducción de errores y una mayor eficiencia general en operaciones logísticas.

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 por la cadena de suministro, reduciendo 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 de segmentación de paquetes, el archivo package-seg.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/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

To train an Ultralytics YOLO26n model on the Package Segmentation dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-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")

Muestra de datos y anotaciones

El conjunto de datos de segmentación de paquetes comprende una colección variada 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 un ejemplo de segmentación de paquetes, con máscaras anotadas que perfilan los objetos de paquete reconocidos. El conjunto de datos incorpora una colección diversa de imágenes tomadas en diferentes ubicaciones, entornos y densidades. Sirve como un recurso completo para desarrollar modelos específicos para esta tarea de segmentación.
• El ejemplo destaca la diversidad y complejidad presentes en el conjunto de datos, subrayando la importancia de datos de alta calidad para las tareas de visión artificial que implican la segmentación de paquetes.

Ventajas de usar YOLO26 para la segmentación de paquetes

Ultralytics YOLO26 ofrece varias ventajas para las tareas de segmentación de paquetes:

1. Equilibrio entre velocidad y precisión: YOLO26 logra una 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.

2. Adaptabilidad: Los modelos entrenados con YOLO26 pueden adaptarse a diversas condiciones de almacén, desde poca iluminación hasta espacios desordenados, garantizando un rendimiento robusto.

3. Escalabilidad: Durante los periodos de mayor actividad, como las temporadas navideñas, los modelos YOLO26 pueden escalarse de manera eficiente para manejar mayores volúmenes de paquetes sin comprometer el rendimiento o la precisión.

4. Capacidades de integración: YOLO26 puede integrarse fácilmente con los sistemas de gestión de almacenes existentes e implementarse en diversas plataformas utilizando formatos como ONNX o TensorRT, facilitando soluciones automatizadas de extremo a extremo.

Citas y reconocimientos

Si integras el conjunto de datos de segmentación de paquetes en tus iniciativas de investigación o desarrollo, por favor cita la fuente adecuadamente:

@misc{ factory_package_dataset,
    title = { factory_package Dataset },
    type = { Open Source Dataset },
    author = { factorypackage },
    url = { https://universe.roboflow.com/factorypackage/factory_package },
    year = { 2024 },
    month = { jan },
    note = { visited on 2024-01-24 },
}

Expresamos nuestro agradecimiento 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 conjuntos de datos y entrenamiento de modelos, considera visitar nuestra página de Conjuntos de datos de Ultralytics y nuestra guía sobre consejos para el entrenamiento de modelos.

Preguntas frecuentes

¿Qué es el conjunto de datos de segmentación de paquetes y cómo puede ayudar en proyectos de visión artificial?

• El conjunto de datos de segmentación de paquetes es una colección seleccionada de imágenes diseñadas para tareas que implican 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 YOLO26 en el conjunto de datos de segmentación de paquetes?

• You can train an Ultralytics YOLO26 model using both Python and CLI methods. Use the code snippets provided in the Usage section. Refer to the model Training page for more details on arguments and configurations.

¿Cuáles son los componentes del conjunto de datos de segmentación de paquetes y cómo está estructurado?

• El conjunto de datos se estructura 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 de modelos.

¿Por qué debería usar Ultralytics YOLO26 con el conjunto de datos de segmentación de paquetes?

• Ultralytics YOLO26 proporciona precisión y velocidad de vanguardia para tareas de detección de objetos y segmentación en tiempo real. Usarlo con el conjunto de datos de segmentación de paquetes te permite aprovechar las capacidades de YOLO26 para una segmentación precisa de paquetes, lo cual 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 archivo package-seg.yaml está alojado en el repositorio de GitHub de Ultralytics y contiene información esencial sobre las rutas, las clases y la configuración del conjunto de datos. Puedes verlo o descargarlo en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml. Este archivo es crucial para configurar tus modelos para utilizar el conjunto de datos de manera eficiente. Para obtener más información y ejemplos prácticos, explora nuestra sección de Uso de Python.