Dataset de segmentación de paquetes#

2,197

Package-Seg

ultralytics

publicSegment

Package segmentation dataset with 2,197 unique images across 1,920 train, 188 validation, and 89 test images; 2,060 labeled images, 7,643 polygon instances, and one package class. Distributed by Ultralytics as the official Package-Seg training archive; no named upstream dataset license is published.

1 class149.8 MBAug 21, 2026

package

packagesinstance-segmentationlogistics+1

El conjunto de datos de segmentación de paquetes de Ultralytics es una colección seleccionada de 2.197 imágenes anotadas de paquetes para entrenar modelos de segmentación de instancias en una única clase package. Creado para casos de uso de logística y automatización de almacenes como la identificación, clasificación y manipulación de paquetes, se combina directamente con Ultralytics YOLO para el análisis de paquetes en tiempo real en canalizaciones de visión por computador. Explora más conjuntos de datos de segmentación en nuestra página de resumen de conjuntos de datos.

Estructura del dataset#

El Package Segmentation Dataset divide sus 2.197 imágenes de la siguiente manera:

• Conjunto de entrenamiento: 1.920 imágenes utilizadas para entrenar el modelo de aprendizaje profundo.
• Conjunto de validación: 188 imágenes utilizadas durante el entrenamiento para ajustar los hiperparámetros y prevenir el sobreajuste.
• Conjunto de pruebas: 89 imágenes reservadas para evaluar el modelo después del entrenamiento.
• Clases: una única clase package que cubre cada paquete anotado.
• Tamaño de descarga: ~103 MB.

Aplicaciones#

La segmentación de paquetes optimiza la logística, la entrega de última milla, el control de calidad en la fabricación y los sistemas de ciudades inteligentes, con aplicaciones que abarcan el cumplimiento del comercio electrónico y el control de seguridad. Las máscaras de paquete precisas permiten que los sistemas automatizados localicen, cuenten e inspeccionen paquetes en tiempo real.

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 por computador entrenados con este conjunto de datos pueden detectar y segmentar rápidamente paquetes en tiempo real, incluso en entornos desafiantes con poca iluminación o espacios desordenados. Esto da lugar a tiempos de procesamiento más rápidos, menos errores y una mayor eficiencia general en las operaciones logísticas.

Control de calidad y detección de daños#

Los modelos de segmentación de paquetes pueden 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.

El conjunto de datos de segmentación de paquetes completo también se puede explorar y gestionar en Ultralytics Platform.

YAML del dataset#

Un archivo YAML define la configuración del conjunto de datos, incluidas las rutas, las 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') 188 images
test: images/test # test images (relative to 'path') 89 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 YOLO26n en el conjunto de datos de segmentación de paquetes durante 100 épocas con un tamaño de imagen de 640, utiliza los siguientes fragmentos de código. El conjunto de datos (~103 MB) se descarga automáticamente en el primer uso. Para obtener una lista completa de los argumentos disponibles, consulta la página de entrenamiento del modelo.

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")

Ejemplos de datos y anotaciones#

A continuación, se muestra un ejemplo del Package Segmentation Dataset con sus máscaras de segmentación superpuestas, que delinean los paquetes detectados:

El conjunto de datos abarca diversas ubicaciones, entornos y densidades de paquetes, por lo que los modelos entrenados en él ven la variedad de escenas logísticas del mundo real necesarias para generalizar. Consulta la página de la tarea de segmentación para ver flujos de trabajo relacionados.

Citas 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 nuestro agradecimiento a los creadores del conjunto de datos de segmentación de paquetes por su contribución a la comunidad de visión por computador. Para más conjuntos de datos, visita la colección de conjuntos de datos de Ultralytics y nuestra guía sobre consejos para el entrenamiento de modelos.

FAQ#