Ensemble de données sur la segmentation des paquets

L'ensemble de données sur la segmentation des paquets, disponible sur Roboflow Universe, est une collection d'images spécialement conçue pour les tâches liées à la segmentation des paquets dans le domaine de la vision par ordinateur. Ce jeu de données est conçu pour aider les chercheurs, les développeurs et les passionnés qui travaillent sur des projets impliquant l'identification, le tri et la manipulation de colis, en se concentrant principalement sur les tâches de segmentation d'images.

Regarder : Train Package Segmentation Model using Ultralytics YOLO11 | Industrial Packages 🎉

Contenant un ensemble varié d'images présentant divers emballages dans différents contextes et environnements, le jeu de données constitue une ressource précieuse pour l'entraînement et l'évaluation des modèles de segmentation. Que vous travailliez dans le domaine de la logistique, de l'automatisation des entrepôts ou de toute autre application nécessitant une analyse précise des emballages, le jeu de données sur la segmentation des emballages fournit un ensemble ciblé et complet d'images permettant d'améliorer les performances de vos algorithmes de vision par ordinateur. Découvrez d'autres ensembles de données pour les tâches de segmentation sur notre page de présentation des ensembles de données.

Structure de l'ensemble de données

La distribution des données dans l'ensemble de données sur la segmentation des paquets est structurée comme suit :

• Ensemble de formation: Comprend 1920 images accompagnées de leurs annotations correspondantes.
• Ensemble de test: Il s'agit de 89 images, chacune associée à ses annotations respectives.
• Ensemble de validation: Comprend 188 images, chacune avec les annotations correspondantes.

Applications

La segmentation des colis, facilitée par le jeu de données sur la segmentation des colis, est essentielle pour optimiser la logistique, améliorer la livraison du dernier kilomètre, améliorer le contrôle de la qualité de la fabrication et contribuer aux solutions des villes intelligentes. Du commerce électronique aux applications de sécurité, ce jeu de données est une ressource essentielle, qui encourage l'innovation dans le domaine de la vision par ordinateur pour des applications d'analyse de colis diverses et efficaces.

Entrepôts intelligents et logistique

Dans les entrepôts modernes, les solutions d'IA visionnaire peuvent rationaliser les opérations en automatisant l'identification et le tri des colis. Les modèles de vision par ordinateur formés sur cet ensemble de données peuvent rapidement détecter et segmenter les colis en temps réel, même dans des environnements difficiles avec un faible éclairage ou des espaces encombrés. Cela permet d'accélérer les temps de traitement, de réduire les erreurs et d'améliorer l'efficacité globale des opérations logistiques.

Contrôle de la qualité et détection des dommages

Les modèles de segmentation des colis peuvent être utilisés pour identifier les colis endommagés en analysant leur forme et leur apparence. En détectant les irrégularités ou les déformations des contours de l'emballage, ces modèles permettent de s'assurer que seuls les emballages intacts suivent la chaîne d'approvisionnement, réduisant ainsi les réclamations des clients et les taux de retour. Il s'agit là d'un aspect essentiel du contrôle de la qualité dans le secteur de la fabrication et d'un élément vital pour le maintien de l'intégrité des produits.

Jeu de données YAML

Un fichier YAML (Yet Another Markup Language) définit la configuration du jeu de données, y compris les chemins, les classes et d'autres détails essentiels. Pour le jeu de données Package Segmentation, le fichier package-seg.yaml est conservé à l'adresse suivante 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 (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: train/images # train images (relative to 'path') 1920 images
val: valid/images # 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

Utilisation

Pour former un Ultralytics YOLO11n sur l'ensemble de données Package Segmentation pour 100 époques avec une taille d'image de 640, vous pouvez utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, reportez-vous à la page Entraînement du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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")

# Load a pretrained segmentation model and start training
yolo segment train data=package-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

# Resume training from the last checkpoint
yolo segment train data=package-seg.yaml model=path/to/last.pt resume=True

# Validate the trained model
yolo segment val data=package-seg.yaml model=path/to/best.pt

# Perform inference using the trained model
yolo segment predict model=path/to/best.pt source=path/to/image.jpg

Exemples de données et d'annotations

L'ensemble de données sur la segmentation des paquets comprend une collection variée d'images capturées à partir de multiples perspectives. Vous trouverez ci-dessous des exemples de données issues de l'ensemble de données, accompagnées de leurs masques de segmentation respectifs :

• Cette image montre un exemple de segmentation de colis, avec des masques annotés soulignant les objets de colis reconnus. L'ensemble de données comprend une collection variée d'images prises dans des lieux, des environnements et des densités différents. Il constitue une ressource complète pour le développement de modèles spécifiques à cette tâche de segmentation.
• L'exemple met en évidence la diversité et la complexité de l'ensemble de données, soulignant l'importance de données de haute qualité pour les tâches de vision par ordinateur impliquant la segmentation des paquets.

Avantages de l'utilisation de YOLO11 pour la segmentation des emballages

Ultralytics YOLO11 offre plusieurs avantages pour les tâches de segmentation des emballages :

1. Équilibre entre vitesse et précision: YOLO11 atteint une précision et une efficacité élevées, ce qui le rend idéal pour l'inférence en temps réel dans des environnements logistiques rapides. Il offre un équilibre solide par rapport à des modèles tels que YOLOv8.

2. Adaptabilité: Les modèles formés avec YOLO11 peuvent s'adapter à diverses conditions d'entreposage, qu'il s'agisse d'un faible éclairage ou d'espaces encombrés, ce qui garantit des performances robustes.

3. Évolutivité: Pendant les périodes de pointe, comme les fêtes de fin d'année, les modèles YOLO11 peuvent s'adapter efficacement à l'augmentation des volumes de colis sans compromettre les performances ou la précision.

4. Capacités d'intégration: YOLO11 peut être facilement intégré aux systèmes de gestion d'entrepôt existants et déployé sur différentes plates-formes en utilisant des formats tels que ONNX ou TensorRTfacilitant ainsi les solutions automatisées de bout en bout.

Citations et remerciements

Si vous intégrez l'ensemble de données sur la segmentation des paquets dans vos initiatives de recherche ou de développement, veuillez citer la source de manière appropriée :

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

Nous exprimons notre gratitude aux créateurs de l'ensemble de données Package Segmentation pour leur contribution à la communauté de la vision par ordinateur. Pour en savoir plus sur les ensembles de données et l'apprentissage des modèles, consultez notre page sur les ensembles de donnéesUltralytics et notre guide sur les conseils en matière d'apprentissage des modèles.

FAQ

Qu'est-ce que le Package Segmentation Dataset et comment peut-il être utile dans les projets de vision par ordinateur ?

• L'ensemble de données sur la segmentation des emballages est une collection d'images conçue pour des tâches impliquant la segmentation d'images d'emballages. Elle comprend diverses images d'emballages dans différents contextes, ce qui la rend inestimable pour l'entraînement et l'évaluation des modèles de segmentation. Ce jeu de données est particulièrement utile pour les applications dans le domaine de la logistique, de l'automatisation des entrepôts et pour tout projet nécessitant une analyse précise des colis.

Comment entraîner un modèle Ultralytics YOLO11 sur l'ensemble de données de segmentation des paquets ?

• Vous pouvez former un Ultralytics YOLO11 en utilisant les méthodes Python et CLI . Utilisez les extraits de code fournis dans la section Utilisation. Reportez-vous à la page Entraînement du modèle pour plus de détails sur les arguments et les configurations.

Quelles sont les composantes de l'ensemble de données sur la segmentation des paquets et comment est-il structuré ?

• L'ensemble des données est structuré en trois éléments principaux :
  • Ensemble d'entraînement: Contient 1920 images avec des annotations.
  • Jeu d'essai: Comprend 89 images avec les annotations correspondantes.
  • Jeu de validation: Comprend 188 images avec des annotations.
• Cette structure garantit un ensemble de données équilibré pour l'entraînement, la validation et le test des modèles, conformément aux meilleures pratiques décrites dans les guides d'évaluation des modèles.

Pourquoi utiliser Ultralytics YOLO11 avec l'ensemble de données sur la segmentation des paquets ?

• Ultralytics YOLO11 offre une précision et une vitesse de pointe pour les tâches de détection et de segmentation d'objets en temps réel. En l'utilisant avec le Package Segmentation Dataset, vous pouvez exploiter les capacités de YOLO11 pour une segmentation précise des colis, ce qui est particulièrement utile dans des secteurs tels que la logistique et l'automatisation des entrepôts.

Comment puis-je accéder au fichier package-seg.yaml pour l'ensemble de données de segmentation des paquets et l'utiliser ?

• Le package-seg.yaml est hébergé sur le dépôt GitHub d'Ultralytics et contient des informations essentielles sur les chemins, les classes et la configuration du jeu de données. Vous pouvez le consulter ou le télécharger à l'adresse suivante https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml. Ce fichier est essentiel pour configurer vos modèles afin d'utiliser efficacement l'ensemble de données. Pour plus d'informations et d'exemples pratiques, consultez notre site web Python Utilisation section.

📅C réé il y a 1 an ✏️ Mis à jour il y a 11 jours

Commentaires