Roboflow Conjunto de Datos de Segmentación del Paquete Universo
El Roboflow Conjunto de Datos de Seg mentación de Envases es una colección curada de imágenes adaptadas específicamente a tareas relacionadas con la segmentación de envases en el campo de la visión por ordenador. Este conjunto de datos está diseñado para ayudar a los investigadores, desarrolladores y entusiastas que trabajan en proyectos relacionados con la identificación, clasificación y manipulación de paquetes.
Este conjunto de datos, que contiene un variado conjunto de imágenes que muestran varios paquetes en diferentes contextos y entornos, constituye un valioso recurso para entrenar y evaluar modelos de segmentación. Tanto si te dedicas a la logística como a la automatización de almacenes o a cualquier aplicación que requiera un análisis preciso de los paquetes, el Conjunto de datos de segmentación de paquetes proporciona un conjunto específico y completo de imágenes para mejorar el rendimiento de tus algoritmos de visión por ordenador.
Estructura del conjunto de datos
La distribución de los datos en el Conjunto de Datos de Segmentación de Envases se estructura como sigue:
- Conjunto de entrenamiento: Comprende 1920 imágenes acompañadas de sus correspondientes anotaciones.
- Conjunto de pruebas: Consta de 89 imágenes, cada una emparejada con sus respectivas anotaciones.
- Conjunto de validación: Comprende 188 imágenes, cada una con sus correspondientes anotaciones.
Aplicaciones
La segmentación de paquetes, facilitada por el Conjunto de Datos de Segmentación de Paquetes, es crucial para optimizar la logística, mejorar la entrega en la última milla, mejorar el control de calidad de la fabricación y contribuir a las soluciones de las ciudades inteligentes. Desde el comercio electrónico hasta las aplicaciones de seguridad, este conjunto de datos es un recurso clave, que fomenta la innovación en visión por ordenador para aplicaciones de análisis de paquetes diversas y eficientes.
Conjunto de datos YAML
Se utiliza un archivo YAML (Yet Another Markup Language) para definir la configuración del conjunto de datos. Contiene información sobre las rutas del conjunto de datos, las clases y otra información relevante. En el caso del conjunto de datos 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/cfg/datasets/paquete-seg.yaml
# Ultralytics YOLO 🚀, AGPL-3.0 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 (102 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: ../datasets/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: test/images # 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
Utilización
Para entrenar el modelo Ultralytics YOLOv8n en el conjunto de datos Segmentación de paquetes durante 100 épocas 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 Entrenamiento del modelo.
Ejemplo de tren
Muestra de datos y anotaciones
El conjunto de datos de Segmentación de Envases comprende una variada colección de imágenes y vídeos capturados desde múltiples perspectivas. A continuación se muestran ejemplos de datos del conjunto de datos, acompañados de sus respectivas anotaciones:
- Esta imagen muestra un ejemplo de detección de objetos en imágenes, con recuadros delimitadores anotados y máscaras que delinean los objetos reconocidos. El conjunto de datos incorpora una colección diversa de imágenes tomadas en distintas ubicaciones, entornos y densidades. Sirve como recurso completo para desarrollar modelos específicos para esta tarea.
- El ejemplo pone de relieve la diversidad y complejidad presentes en el conjunto de datos VisDrone, subrayando la importancia de los datos de sensores de alta calidad para las tareas de visión por ordenador con drones.
Citas y agradecimientos
Si integras el conjunto de datos de segmentación de grietas en tus iniciativas de investigación o desarrollo, cita el siguiente artículo:
@misc{ factory_package_dataset,
title = { factory_package Dataset },
type = { Open Source Dataset },
author = { factorypackage },
howpublished = { \url{ https://universe.roboflow.com/factorypackage/factory_package } },
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 al equipo de Roboflow por sus esfuerzos en la creación y mantenimiento del conjunto de datos de Segmentación de Envases, un valioso activo para proyectos logísticos y de investigación. Para más información sobre el conjunto de datos de Segmentación de Paquetes y sus creadores, visita la Página del Conjunto de Datos de Segmentación de Paquetes.
PREGUNTAS FRECUENTES
¿Qué es el Conjunto de Datos de Segmentación de Paquetes Roboflow y cómo puede ayudar en los proyectos de visión por ordenador?
El Conjunto de Datos de Segmentación de EnvasesRoboflow es una colección curada de imágenes adaptadas a tareas que implican la segmentación de envases. Incluye diversas imágenes de paquetes en varios contextos, lo que lo hace inestimable para entrenar y evaluar modelos de segmentación. Este conjunto de datos es especialmente útil para aplicaciones de logística, automatización de almacenes y cualquier proyecto que requiera un análisis preciso de los paquetes. Ayuda a optimizar la logística y a mejorar los modelos de visión para identificar y clasificar paquetes con precisión.
¿Cómo entreno un modelo Ultralytics YOLOv8 en el conjunto de datos de segmentación de paquetes?
Puedes entrenar un modelo Ultralytics YOLOv8n utilizando los métodos Python y CLI . Para Python, utiliza el siguiente fragmento:
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n-seg.pt") # load a pretrained model
# Train the model
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)
Para CLI:
# Start training from a pretrained *.pt model
yolo segment train data=package-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640
Consulta la página de Formación del modelo para más detalles.
¿Cuáles son los componentes del Conjunto de Datos de Segmentación de Envases 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 sus correspondientes anotaciones. - Conjunto de validación: Incluye 188 imágenes con anotaciones.
Esta estructura garantiza un conjunto de datos equilibrado para el entrenamiento, la validación y la prueba minuciosos del modelo, lo que mejora el rendimiento de los algoritmos de segmentación.
¿Por qué debería utilizar Ultralytics YOLOv8 con el Conjunto de datos de segmentación de paquetes?
Ultralytics YOLOv8 proporciona una precisión y velocidad de vanguardia para tareas de detección y segmentación de objetos en tiempo real. Su uso con el Conjunto de datos de segmentación de paquetes te permite aprovechar las capacidades de YOLOv8 para una segmentación precisa de los paquetes. Esta combinación es especialmente beneficiosa para sectores como la logística y la automatización de almacenes, donde la identificación precisa de paquetes es fundamental. Para más información, consulta nuestra página sobre segmentación YOLOv8 .
¿Cómo puedo acceder y utilizar el archivo package-seg.yaml para el conjunto de datos de segmentación de paquetes?
En package-seg.yaml está alojado en el repositorio GitHub de Ultralytics y contiene información esencial sobre las rutas, clases y configuración del conjunto de datos. Puedes descargarlo de aquí. Este archivo es crucial para configurar tus modelos de forma que utilicen el conjunto de datos con eficacia.
Para más información y ejemplos prácticos, explora nuestra sección Uso.