Dataset di segmentazione dei pacchi#

2,197

Package-Seg

ultralytics

publicSegment

Package-Seg contains polygon masks for packages across indoor, warehouse, and logistics-style scenes, including empty background images. It supports package localization and shape segmentation; no named upstream dataset license is published, so redistribution terms should be reviewed.

1 class149.8 MBSep 2, 2026

package

packagesinstance-segmentationlogistics+1

Il Ultralytics Package Segmentation Dataset è una raccolta curata di 2.197 immagini annotate di pacchi per addestrare modelli di segmentazione delle istanze su un'unica classe package. Progettato per casi d'uso logistici e di automazione dei magazzini, come l'identificazione, lo smistamento e la movimentazione dei pacchi, si integra direttamente con Ultralytics YOLO per l'analisi dei pacchi in tempo reale nelle pipeline di visione artificiale. Scopri altri dataset di segmentazione nella nostra pagina panoramica dei dataset.

Struttura del dataset#

Il Dataset di segmentazione dei pacchi suddivide le sue 2.197 immagini come segue:

• Set di addestramento: 1.920 immagini utilizzate per l'addestramento del modello di deep learning.
• Set di validazione: 188 immagini utilizzate durante l'addestramento per ottimizzare gli iperparametri e prevenire l'overfitting.
• Set di test: 89 immagini riservate per valutare il modello dopo l'addestramento.
• Classi: una singola classe package che comprende tutti i pacchi annotati.
• Dimensioni del download: ~103 MB.

Applicazioni#

La segmentazione dei pacchi ottimizza la logistica, la consegna dell'ultimo miglio, il controllo qualità nella produzione e i sistemi di smart city, con applicazioni che spaziano dall'evasione degli ordini nell'e-commerce ai controlli di sicurezza. Maschere precise dei pacchi consentono ai sistemi automatizzati di localizzare, contare e ispezionare le spedizioni in tempo reale.

Magazzini intelligenti e logistica#

Nei magazzini moderni, le soluzioni di AI basate sulla visione possono ottimizzare le operazioni automatizzando l'identificazione e lo smistamento dei pacchi. I modelli di computer vision addestrati su questo dataset possono rilevare e segmentare rapidamente i pacchi in tempo reale, anche in ambienti difficili con scarsa illuminazione o spazi ingombri. Questo porta a tempi di elaborazione più brevi, meno errori e una maggiore efficienza complessiva nelle operazioni logistiche.

Controllo qualità e rilevamento dei danni#

I modelli di segmentazione dei pacchi possono identificare quelli danneggiati analizzandone forma e aspetto. Rilevando irregolarità o deformazioni nei contorni dei pacchi, questi modelli contribuiscono a garantire che solo i pacchi integri proseguano nella catena di approvvigionamento, riducendo i reclami dei clienti e i tassi di reso. Questo è un aspetto fondamentale del controllo qualità nella produzione ed è essenziale per preservare l'integrità dei prodotti.

Il Dataset completo di segmentazione dei pacchi può anche essere esplorato e gestito sulla Ultralytics Platform.

YAML del dataset#

Un file YAML definisce la configurazione del dataset, inclusi percorsi, classi e altri dettagli essenziali. Per il dataset di segmentazione dei pacchi, il file package-seg.yaml è disponibile 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 (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

Utilizzo#

Per addestrare un modello Ultralytics YOLO26n sul dataset di segmentazione dei pacchi per 100 epoche con una dimensione delle immagini di 640, usa i seguenti frammenti di codice. Il dataset (~103 MB) viene scaricato automaticamente al primo utilizzo. Per un elenco completo degli argomenti disponibili, consulta la pagina Addestramento del modello.

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")

Dati ed esempi di annotazioni#

Di seguito è riportato un esempio tratto dal Dataset di segmentazione dei pacchi con le relative maschere di segmentazione sovrapposte, che delineano i pacchi rilevati:

Il dataset comprende località, ambienti e densità di pacchi diversi, così i modelli addestrati su di esso apprendono la varietà di scenari logistici del mondo reale necessaria per generalizzare. Consulta la pagina dell'attività di segmentazione per i flussi di lavoro correlati.

Citazioni e ringraziamenti#

Se integri il dataset di segmentazione dei pacchi nelle tue attività di ricerca o sviluppo, cita correttamente la fonte:

@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 },
}

Esprimiamo la nostra gratitudine ai creatori del dataset di segmentazione dei pacchi per il loro contributo alla comunità della computer vision. Per altri dataset, visita la raccolta di dataset di Ultralytics e la nostra guida ai consigli per l'addestramento dei modelli.

FAQ#