Set di dati per la segmentazione dei pacchetti

Il Package Segmentation Dataset, disponibile su Roboflow Universe, è una raccolta curata di immagini specificamente concepite per compiti legati alla segmentazione delle confezioni nel campo della computer vision. Questo set di dati è stato concepito per assistere i ricercatori, gli sviluppatori e gli appassionati che lavorano a progetti che prevedono l'identificazione, l'ordinamento e la gestione dei pacchetti, concentrandosi principalmente sui compiti di segmentazione delle immagini.

Guarda: Modello di segmentazione delle confezioni con Ultralytics YOLO11 | Pacchetti industriali 🎉

Il dataset, che contiene una serie di immagini che mostrano vari imballaggi in contesti e ambienti diversi, è una risorsa preziosa per l'addestramento e la valutazione dei modelli di segmentazione. Se siete impegnati nella logistica, nell'automazione dei magazzini o in qualsiasi applicazione che richieda un'analisi precisa dei pacchi, il dataset per la segmentazione dei pacchi fornisce un set di immagini mirato e completo per migliorare le prestazioni dei vostri algoritmi di computer vision. Esplorate altri set di dati per le attività di segmentazione nella nostra pagina di panoramica dei set di dati.

Struttura del set di dati

La distribuzione dei dati nel Package Segmentation Dataset è strutturata come segue:

• Set di allenamento: Comprende 1920 immagini accompagnate dalle relative annotazioni.
• Set di test: È costituito da 89 immagini, ciascuna abbinata alle rispettive annotazioni.
• Set di validazione: Comprende 188 immagini, ciascuna con le relative annotazioni.

Applicazioni

La segmentazione degli imballaggi, facilitata dal Package Segmentation Dataset, è fondamentale per ottimizzare la logistica, migliorare la consegna all'ultimo miglio, migliorare il controllo della qualità della produzione e contribuire alle soluzioni per le smart city. Dal commercio elettronico alle applicazioni di sicurezza, questo set di dati è una risorsa fondamentale, che promuove l'innovazione nella computer vision per applicazioni di analisi dei pacchetti diverse ed efficienti.

Magazzini e logistica intelligenti

Nei magazzini moderni, le soluzioni di intelligenza artificiale possono semplificare le operazioni automatizzando l'identificazione e lo smistamento dei colli. I modelli di visione computerizzata addestrati su questo set di dati possono rilevare e segmentare rapidamente i colli in tempo reale, anche in ambienti difficili con scarsa illuminazione o spazi ingombri. Ciò consente di accelerare i tempi di elaborazione, ridurre gli errori e migliorare l'efficienza complessiva delle operazioni logistiche.

Controllo qualità e rilevamento dei danni

I modelli di segmentazione delle confezioni possono essere utilizzati per identificare le confezioni danneggiate analizzandone la forma e l'aspetto. Rilevando irregolarità o deformazioni nei contorni delle confezioni, questi modelli aiutano a garantire che solo le confezioni intatte attraversino la catena di fornitura, riducendo i reclami dei clienti e i tassi di restituzione. Si tratta di un aspetto chiave del controllo di qualità nella produzione, fondamentale per mantenere l'integrità del prodotto.

Set di dati YAML

Un file YAML (Yet Another Markup Language) definisce la configurazione del dataset, compresi i percorsi, le classi e altri dettagli essenziali. Per il set di dati Package Segmentation, il file package-seg.yaml Il file viene mantenuto all'indirizzo 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

Utilizzo

Per addestrare un Ultralytics YOLO11n sul dataset Package Segmentation per 100 epoch con una dimensione dell'immagine di 640, è possibile utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consultare la pagina di addestramento del modello.

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

Dati e annotazioni di esempio

Il set di dati Package Segmentation comprende una raccolta variegata di immagini catturate da diverse prospettive. Di seguito sono riportati alcuni esempi di dati del dataset, accompagnati dalle rispettive maschere di segmentazione:

• Questa immagine mostra un'istanza di segmentazione delle confezioni, con maschere annotate che delineano gli oggetti delle confezioni riconosciute. Il set di dati comprende una raccolta di immagini diverse, scattate in luoghi, ambienti e densità differenti. Serve come risorsa completa per lo sviluppo di modelli specifici per questo compito di segmentazione.
• L'esempio sottolinea la diversità e la complessità del set di dati, evidenziando l'importanza di dati di alta qualità per le attività di computer vision che prevedono la segmentazione di pacchetti.

Vantaggi dell'utilizzo di YOLO11 per la segmentazione dei pacchetti

Ultralytics YOLO11 offre diversi vantaggi per le attività di segmentazione dei pacchetti:

1. Equilibrio tra velocità e precisione: YOLO11 raggiunge un'elevata precisione ed efficienza, che lo rende ideale per l'inferenza in tempo reale in ambienti logistici frenetici. Offre un forte equilibrio rispetto a modelli come YOLOv8.

2. Adattabilità: I modelli addestrati con YOLO11 sono in grado di adattarsi a varie condizioni di magazzino, dalla scarsa illuminazione agli spazi ingombri, garantendo prestazioni solide.

3. Scalabilità: Durante i periodi di picco, come le festività natalizie, i modelli YOLO11 sono in grado di scalare in modo efficiente per gestire volumi maggiori di colli senza compromettere le prestazioni o la precisione.

4. Capacità di integrazione: YOLO11 può essere facilmente integrato con i sistemi di gestione del magazzino esistenti e distribuito su varie piattaforme utilizzando formati come ONNX o TensorRTfacilitando soluzioni automatizzate end-to-end.

Citazioni e ringraziamenti

Se si integra il dataset Package Segmentation nelle proprie iniziative di ricerca o sviluppo, si prega di citare la fonte in modo appropriato:

@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 },
}

Esprimiamo la nostra gratitudine ai creatori del dataset Package Segmentation per il loro contributo alla comunità della computer vision. Per ulteriori approfondimenti sui dataset e sull'addestramento dei modelli, visitate la nostra pagina sui datasetUltralytics e la nostra guida sui suggerimenti per l'addestramento dei modelli.

FAQ

Che cos'è il Package Segmentation Dataset e come può essere utile nei progetti di computer vision?

• Il Package Segmentation Dataset è una raccolta curata di immagini adatte a compiti di segmentazione di immagini di pacchetti. Include diverse immagini di pacchi in vari contesti, che lo rendono prezioso per l'addestramento e la valutazione dei modelli di segmentazione. Questo set di dati è particolarmente utile per applicazioni nella logistica, nell'automazione dei magazzini e in qualsiasi progetto che richieda un'analisi precisa dei colli.

Come si addestra un modello Ultralytics YOLO11 sul dataset Package Segmentation?

• È possibile addestrare un Ultralytics YOLO11 utilizzando sia i metodi Python che quelli CLI . Utilizzare gli snippet di codice forniti nella sezione Uso. Per ulteriori dettagli su argomenti e configurazioni, consultare la pagina Addestramento del modello.

Quali sono i componenti del Package Segmentation Dataset e come è strutturato?

• Il set di dati è strutturato in tre componenti principali:
  • Set di allenamento: Contiene 1920 immagini con annotazioni.
  • Set di test: Comprende 89 immagini con le relative annotazioni.
  • Set di convalida: Include 188 immagini con annotazioni.
• Questa struttura garantisce un set di dati equilibrato per l'addestramento, la convalida e il test dei modelli, secondo le migliori pratiche descritte nelle guide alla valutazione dei modelli.

Perché utilizzare Ultralytics YOLO11 con il dataset Segmentazione pacchetti?

• Ultralytics YOLO11 offre precisione e velocità all'avanguardia per il rilevamento e la segmentazione degli oggetti in tempo reale. L'utilizzo del dataset Package Segmentation consente di sfruttare le capacità di YOLO11 per una precisa segmentazione degli imballaggi, particolarmente vantaggiosa per settori come la logistica e l'automazione dei magazzini.

Come si può accedere e utilizzare il file package-seg.yaml per il Package Segmentation Dataset?

• Il package-seg.yaml è ospitato sul repository GitHub di Ultralytics e contiene informazioni essenziali sui percorsi, le classi e la configurazione del dataset. È possibile visualizzarlo o scaricarlo da qui. Questo file è fondamentale per configurare i modelli in modo da utilizzare il set di dati in modo efficiente. Per ulteriori approfondimenti ed esempi pratici, esplorate il nostro sito web Python Utilizzo sezione.

📅C reato 1 anno fa ✏️ Aggiornato 0 giorni fa

Commenti