Link to this sectionDataset di segmentazione dei pacchi#

Il dataset di segmentazione dei pacchi è una raccolta curata di immagini pensata specificamente per attività legate alla segmentazione dei pacchi all'interno del campo della computer vision. Questo dataset è progettato per assistere ricercatori, sviluppatori e appassionati che lavorano su progetti che coinvolgono l'identificazione, lo smistamento e la gestione dei pacchi, concentrandosi principalmente sulle attività di image segmentation.

Contenendo un insieme diversificato di immagini che mostrano vari pacchi in diversi contesti e ambienti, il dataset funge da risorsa preziosa per l'addestramento e la valutazione di modelli di segmentazione. Che tu ti occupi di logistica, automazione di magazzino o qualsiasi applicazione che richieda un'analisi precisa dei pacchi, il dataset di segmentazione dei pacchi fornisce un insieme mirato e completo di immagini per migliorare le prestazioni dei tuoi algoritmi di computer vision. Esplora altri dataset per attività di segmentazione sulla nostra pagina di panoramica dei dataset.

Link to this sectionStruttura del dataset#

La distribuzione dei dati nel dataset di segmentazione dei pacchi è strutturata come segue:

• Training set: Comprende 1920 immagini accompagnate dalle relative annotazioni.
• Testing set: Consiste in 188 immagini, ciascuna abbinata alle rispettive annotazioni.
• Validation set: Comprende 89 immagini, ciascuna con le corrispondenti annotazioni.

Link to this sectionApplicazioni#

La segmentazione dei pacchi, facilitata dal dataset di segmentazione dei pacchi, è fondamentale per ottimizzare la logistica, migliorare le consegne dell'ultimo miglio, potenziare il controllo qualità nella produzione e contribuire a soluzioni di smart city. Dall'e-commerce alle applicazioni di sicurezza, questo dataset è una risorsa chiave che promuove l'innovazione nella computer vision per svariate ed efficienti applicazioni di analisi dei pacchi.

Link to this sectionMagazzini intelligenti e logistica#

Nei magazzini moderni, le vision AI solutions possono semplificare 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. Ciò porta a tempi di elaborazione più rapidi, riduzione degli errori e una migliore efficienza complessiva nelle logistics operations.

Link to this sectionControllo qualità e rilevamento danni#

I modelli di segmentazione dei pacchi possono essere utilizzati per identificare i pacchi danneggiati analizzandone forma e aspetto. Rilevando irregolarità o deformazioni nei contorni dei pacchi, questi modelli aiutano a garantire che solo i pacchi integri procedano lungo la catena di approvvigionamento, riducendo i reclami dei clienti e i tassi di reso. Questo è un aspetto chiave del quality control in manufacturing ed è vitale per mantenere l'integrità del prodotto.

Link to this sectionDataset YAML#

Un file YAML (Yet Another Markup Language) 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 mantenuto su 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') 89 images
test: images/test # 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

Link to this sectionUtilizzo#

Per addestrare un modello Ultralytics YOLO26n sul dataset di segmentazione dei pacchi per 100 epochs con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina di Training 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")

Link to this sectionDati di esempio e annotazioni#

Il dataset di segmentazione dei pacchi comprende una variegata collezione di immagini catturate da molteplici prospettive. Di seguito sono riportati esempi di dati dal dataset, accompagnati dalle rispettive maschere di segmentazione:

• Questa immagine mostra un'istanza di segmentazione dei pacchi, con maschere annotate che delineano gli oggetti pacco riconosciuti. Il dataset incorpora una collezione diversificata di immagini scattate in diverse posizioni, ambienti e densità. Serve come risorsa completa per sviluppare modelli specifici per questa segmentation task.
• L'esempio enfatizza la diversità e la complessità presenti nel dataset, sottolineando l'importanza di dati di alta qualità per le attività di computer vision che coinvolgono la segmentazione dei pacchi.

Link to this sectionVantaggi dell'utilizzo di YOLO26 per la segmentazione dei pacchi#

Ultralytics YOLO26 offre diversi vantaggi per le attività di segmentazione dei pacchi:

1. Equilibrio tra velocità e precisione: YOLO26 raggiunge un'elevata precisione ed efficienza, rendendolo ideale per l'real-time inference in ambienti logistici frenetici. Offre un ottimo equilibrio rispetto a modelli come YOLOv8.

2. Adattabilità: I modelli addestrati con YOLO26 possono adattarsi a varie condizioni di magazzino, dalla scarsa illuminazione agli spazi ingombri, garantendo prestazioni robuste.

3. Scalabilità: Durante i periodi di punta come le stagioni festive, i modelli YOLO26 possono scalare in modo efficiente per gestire volumi di pacchi aumentati senza compromettere le prestazioni o l'accuracy.

4. Capacità di integrazione: YOLO26 può essere facilmente integrato con i sistemi di gestione del magazzino esistenti e distribuito su varie piattaforme utilizzando formati come ONNX o TensorRT, facilitando soluzioni automatizzate end-to-end.

Link to this sectionCitazioni e riconoscimenti#

Se integri il dataset di segmentazione dei pacchi nelle tue iniziative di ricerca o sviluppo, ti preghiamo 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 },
    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 di computer vision. Per un'ulteriore esplorazione di dataset e addestramento di modelli, prendi in considerazione la visita della nostra pagina Ultralytics Datasets e la nostra guida sui model training tips.

Link to this sectionFAQ#

Link to this sectionCos'è il dataset di segmentazione dei pacchi e come può aiutare nei progetti di computer vision?#

• Il dataset di segmentazione dei pacchi è una raccolta curata di immagini pensata per attività che coinvolgono l'image segmentation dei pacchi. Include diverse immagini di pacchi in vari contesti, rendendolo inestimabile per l'addestramento e la valutazione di modelli di segmentazione. Questo dataset è particolarmente utile per applicazioni nella logistica, automazione di magazzino e qualsiasi progetto che richieda un'analisi precisa dei pacchi.

Link to this sectionCome posso addestrare un modello Ultralytics YOLO26 sul dataset di segmentazione dei pacchi?#

• Puoi addestrare un modello Ultralytics YOLO26 utilizzando sia Python che CLI. Usa i frammenti di codice forniti nella sezione Usage. Fai riferimento alla pagina di Training del modello per ulteriori dettagli su argomenti e configurazioni.

Link to this sectionQuali sono i componenti del dataset di segmentazione dei pacchi e come è strutturato?#

• Il dataset è strutturato in tre componenti principali:
  • Training set: Contiene 1920 immagini con annotazioni.
  • Testing set: Composto da 188 immagini con le relative annotazioni.
  • Validation set: Include 89 immagini con annotazioni.
• Questa struttura garantisce un dataset bilanciato per un addestramento, una convalida e un test del modello approfonditi, seguendo le migliori pratiche descritte nelle guide alla valutazione del modello.

Link to this sectionPerché dovrei usare Ultralytics YOLO26 con il dataset di segmentazione dei pacchi?#

• Ultralytics YOLO26 fornisce accuracy e velocità all'avanguardia per attività di object detection e segmentazione in tempo reale. L'utilizzo con il dataset di segmentazione dei pacchi ti consente di sfruttare le capacità di YOLO26 per una segmentazione precisa dei pacchi, il che è particolarmente vantaggioso per settori come la logistics e l'automazione di magazzino.

Link to this sectionCome posso accedere e utilizzare il file package-seg.yaml per il dataset di segmentazione dei pacchi?#

• Il file package-seg.yaml è ospitato nel repository GitHub di Ultralytics e contiene informazioni essenziali sui percorsi, le classi e la configurazione del dataset. Puoi visualizzarlo o scaricarlo su https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml. Questo file è cruciale per configurare i tuoi modelli per utilizzare il dataset in modo efficiente. Per ulteriori approfondimenti ed esempi pratici, esplora la nostra sezione Python Usage.