Link to this sectionDataset de segmentación de paquetes#

El Dataset de segmentación de paquetes es una colección seleccionada de imágenes diseñada específicamente para tareas relacionadas con la segmentación de paquetes dentro del campo de la visión artificial. Este dataset está diseñado para ayudar a investigadores, desarrolladores y entusiastas que trabajan en proyectos relacionados con 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 dataset sirve como un recurso valioso para entrenar y evaluar modelos de segmentación. Tanto si te dedicas a la logística, a la automatización de almacenes o a cualquier aplicación que requiera un análisis preciso de paquetes, el Dataset de segmentación de paquetes ofrece un conjunto de imágenes específico y completo para mejorar el rendimiento de tus algoritmos de visión artificial. Explora más datasets para tareas de segmentación en nuestra página de resumen de datasets.

Link to this sectionEstructura del dataset#

La distribución de datos en el Dataset de segmentación de paquetes está estructurada de la siguiente manera:

• Conjunto de entrenamiento: incluye 1920 imágenes acompañadas de sus anotaciones correspondientes.
• Conjunto de prueba: consta de 188 imágenes, cada una vinculada a sus anotaciones respectivas.
• Conjunto de validación: comprende 89 imágenes, cada una con sus anotaciones correspondientes.

Link to this sectionAplicaciones#

La segmentación de paquetes, facilitada por el Dataset de segmentación de paquetes, es crucial para optimizar la logística, mejorar la entrega de última milla, perfeccionar el control de calidad en 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 visión artificial para diversas y eficientes aplicaciones de análisis de paquetes.

Link to this sectionAlmacenes inteligentes y logística#

En los almacenes modernos, las soluciones de IA visual pueden agilizar las operaciones mediante la automatización de la identificación y clasificación de paquetes. Los modelos de visión artificial entrenados con este dataset pueden detectar y segmentar paquetes rápidamente 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 mejor eficiencia general en las operaciones logísticas.

Link to this sectionControl de calidad y detección de daños#

Los modelos de segmentación de paquetes pueden utilizarse para identificar paquetes dañados mediante el análisis de 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 en 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.

Link to this sectionYAML del dataset#

Un archivo YAML (Yet Another Markup Language) define la configuración del dataset, incluyendo rutas, clases y otros detalles esenciales. Para el dataset 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

Link to this sectionUso#

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")

Link to this sectionEjemplos de datos y anotaciones#

El dataset de segmentación de paquetes comprende una variada colección de imágenes capturadas desde múltiples perspectivas. A continuación se muestran ejemplos de datos del dataset, acompañados de sus respectivas máscaras de segmentación:

• Esta imagen muestra un caso de segmentación de paquetes, con máscaras anotadas que delinean los objetos detectados como paquetes. El dataset 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 destaca la diversidad y complejidad presentes en el dataset, subrayando la importancia de contar con datos de alta calidad para tareas de visión artificial que impliquen la segmentación de paquetes.

Link to this sectionVentajas de utilizar YOLO26 para la segmentación de paquetes#

Ultralytics YOLO26 ofrece varias ventajas para 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, asegurando un rendimiento robusto.

3. Escalabilidad: Durante los periodos de mayor actividad, como las temporadas festivas, los modelos YOLO26 pueden escalar eficientemente para gestionar mayores volúmenes de paquetes sin comprometer el rendimiento ni la precisión.

4. Capacidades de integración: YOLO26 se puede integrar fácilmente con los sistemas de gestión de almacenes existentes y desplegarse en varias plataformas utilizando formatos como ONNX o TensorRT, facilitando soluciones automatizadas de extremo a extremo.

Link to this sectionCitas y agradecimientos#

Si integras el Dataset 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 nuestra gratitud a los creadores del Dataset de segmentación de paquetes por su contribución a la comunidad de visión artificial. Para explorar más sobre datasets y el entrenamiento de modelos, considera visitar nuestra página de Datasets de Ultralytics y nuestra guía sobre consejos para el entrenamiento de modelos.

Link to this sectionFAQ#

Link to this section¿Qué es el Dataset de segmentación de paquetes y cómo puede ayudar en los proyectos de visión artificial?#

• El Dataset de segmentación de paquetes es una colección seleccionada de imágenes diseñada para tareas que involucran segmentación de imágenes de paquetes. Incluye imágenes diversas de paquetes en varios contextos, lo que lo hace invaluable para entrenar y evaluar modelos de segmentación. Este dataset es particularmente útil para aplicaciones en logística, automatización de almacenes y cualquier proyecto que requiera un análisis preciso de paquetes.

Link to this section¿Cómo entreno un modelo Ultralytics YOLO26 en el Dataset 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.

Link to this section¿Cuáles son los componentes del Dataset de segmentación de paquetes y cómo está estructurado?#

• El dataset está estructurado en tres componentes principales:
  • Conjunto de entrenamiento: contiene 1920 imágenes con anotaciones.
  • Conjunto de prueba: comprende 188 imágenes con las anotaciones correspondientes.
  • Conjunto de validación: incluye 89 imágenes con anotaciones.
• Esta estructura garantiza un dataset equilibrado para el entrenamiento, la validación y la prueba exhaustiva de modelos, siguiendo las mejores prácticas descritas en las guías de evaluación de modelos.

Link to this section¿Por qué debería usar Ultralytics YOLO26 con el Dataset 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 Dataset 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.

Link to this section¿Cómo puedo acceder y utilizar el archivo package-seg.yaml para el Dataset 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 dataset. 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 con el fin de utilizar el dataset de manera eficiente. Para más información y ejemplos prácticos, explora nuestra sección de Uso con Python.