Jeu de données SKU-110K#

11,743

SKU-110K

ultralytics

publicDetect

SKU-110K is Trax Retail's densely packed retail-shelf object detection benchmark. This reviewed package contains 11,743 unique images (8,219 train / 588 validation / 2,936 test), all labeled with 1,730,996 valid product boxes in one object class. All 21,160 source boxes extending beyond image bounds were clipped without dropping any valid box. Provided for research use; cite the SKU-110K CVPR 2019 paper.

1 class17.2 GBAug 21, 2026

object

object-detectionsku110kretail+1

Le jeu de données SKU-110K est un jeu de données de détection d'objets à classe unique composé de 11 743 images d'étagères de vente au détail densément remplies, divisées en 8 219 images d'entraînement, 588 images de validation et 2 936 images de test. Chaque produit est annoté avec une boîte englobante sous une seule classe, object — le nom fait référence aux plus de 110 000 unités de gestion des stocks (SKU) uniques représentées dans les scènes, et non à 110 000 classes de détection. Créé par Eran Goldman et al. pour l'article de la CVPR 2019 Precise Detection in Densely Packed Scenes, il comporte plus de 1,7 million de produits annotés — soit une moyenne d'environ 147 par image —, ce qui en fait un banc d'essai exigeant pour les modèles de vision par ordinateur dans des environnements de vente au détail encombrés.

Fonctionnalités clés#

• Détection à classe unique : Chaque produit est étiqueté avec une boîte englobante sous une seule classe, object (names: {0: object}) — les annotations ne comportent aucune étiquette de catégorie par SKU.
• Densité d'objets extrême : Les images d'étagères de magasins du monde entier contiennent en moyenne environ 147 produits densément regroupés, avec des objets souvent similaires ou même identiques positionnés à proximité immédiate.
• Grande échelle : Plus de 110 000 SKU uniques et plus de 1,7 million de boîtes englobantes annotées sur 11 743 images mettent au défi les détecteurs d'objets de pointe.

Structure du jeu de données#

Le jeu de données SKU-110K est divisé en trois sous-ensembles, partageant tous la seule classe object :

Applications#

Le jeu de données SKU-110K est largement utilisé pour l'entraînement et l'évaluation de modèles de deep learning dans des tâches de détection d'objets, en particulier dans des scènes densément remplies telles que les présentoirs d'étagères de vente au détail. Ses applications comprennent :

• Gestion et automatisation des stocks de détail
• Reconnaissance de produits sur les plateformes de commerce électronique
• Vérification de la conformité du planogramme
• Systèmes de paiement en libre-service dans les magasins
• Prélèvement et tri robotisés dans les entrepôts

Pour annoter tes propres images d'étagères, entraîner et gérer des jeux de données de détection de vente au détail dans ton navigateur, exécute le flux de travail complet avec Ultralytics Platform.

YAML du jeu de données#

Le fichier SKU-110K.yaml définit la configuration du jeu de données — les chemins des jeux de données, les noms des classes et d'autres métadonnées. Il est maintenu dans le dépôt Ultralytics à l'adresse https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/SKU-110K.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# SKU-110K retail items dataset https://github.com/eg4000/SKU110K_CVPR19 by Trax Retail
# Documentation: https://docs.ultralytics.com/datasets/detect/sku-110k
# Example usage: yolo train data=SKU-110K.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── SKU-110K ← downloads here (13.6 GB)

# 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: SKU-110K # dataset root dir
train: train.txt # train images (relative to 'path') 8219 images
val: val.txt # val images (relative to 'path') 588 images
test: test.txt # test images (optional) 2936 images

# Classes
names:
  0: object

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  import shutil
  from pathlib import Path

  import numpy as np
  import polars as pl

  from ultralytics.utils import TQDM
  from ultralytics.utils.downloads import download
  from ultralytics.utils.ops import xyxy2xywh

  # Download
  dir = Path(yaml["path"])  # dataset root dir
  parent = Path(dir.parent)  # download dir
  urls = ["http://trax-geometry.s3.amazonaws.com/cvpr_challenge/SKU110K_fixed.tar.gz"]
  download(urls, dir=parent)

  # Rename directories
  if dir.exists():
      shutil.rmtree(dir)
  (parent / "SKU110K_fixed").rename(dir)  # rename dir
  (dir / "labels").mkdir(parents=True, exist_ok=True)  # create labels dir

  # Convert labels
  names = "image", "x1", "y1", "x2", "y2", "class", "image_width", "image_height"  # column names
  for d in "annotations_train.csv", "annotations_val.csv", "annotations_test.csv":
      x = pl.read_csv(dir / "annotations" / d, has_header=False, new_columns=names, infer_schema_length=None).to_numpy()  # annotations
      images, unique_images = x[:, 0], np.unique(x[:, 0])
      with open((dir / d).with_suffix(".txt").__str__().replace("annotations_", ""), "w", encoding="utf-8") as f:
          f.writelines(f"./images/{s}\n" for s in unique_images)
      for im in TQDM(unique_images, desc=f"Converting {dir / d}"):
          cls = 0  # single-class dataset
          with open((dir / "labels" / im).with_suffix(".txt"), "a", encoding="utf-8") as f:
              for r in x[images == im]:
                  w, h = r[6], r[7]  # image width, height
                  xywh = xyxy2xywh(np.array([[r[1] / w, r[2] / h, r[3] / w, r[4] / h]]))[0]  # instance
                  f.write(f"{cls} {xywh[0]:.5f} {xywh[1]:.5f} {xywh[2]:.5f} {xywh[3]:.5f}\n")  # write label

Utilisation#

Pour entraîner un modèle YOLO26n sur le jeu de données SKU-110K pendant 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, consulte la page Entraînement du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="SKU-110K.yaml", epochs=100, imgsz=640)

Exemples de données et d'annotations#

Les images SKU-110K capturent des produits densément regroupés sur de vraies étagères de magasin, où des dizaines d'articles presque identiques sont placés côte à côte. Voici un exemple d'image avec ses annotations :

• Image d'étagère de vente au détail densément remplie : Cette image illustre un exemple d'objets densément remplis dans le cadre d'une étagère de vente au détail. Les objets sont annotés avec des boîtes englobantes sous la seule classe object.

La disposition dense des produits rend SKU-110K particulièrement précieux pour développer des solutions robustes de vision par ordinateur axées sur la vente au détail, car le nombre élevé d'objets par image pousse les détecteurs bien au-delà des benchmarks habituels.

Citations et remerciements#

Si tu utilises le jeu de données SKU-110K dans tes travaux de recherche ou de développement, merci de citer l'article suivant :

@inproceedings{goldman2019dense,
  author    = {Eran Goldman and Roei Herzig and Aviv Eisenschtat and Jacob Goldberger and Tal Hassner},
  title     = {Precise Detection in Densely Packed Scenes},
  booktitle = {Proc. Conf. Comput. Vision Pattern Recognition (CVPR)},
  year      = {2019}
}

Nous tenons à remercier Eran Goldman et al. pour la création et la maintenance du jeu de données SKU-110K en tant que ressource précieuse pour la communauté de recherche en vision par ordinateur. Pour plus d'informations sur le jeu de données SKU-110K et ses créateurs, visite le dépôt GitHub du jeu de données SKU-110K.

FAQ#