Dataset di segmentazione dei pacchi

Il Package Segmentation Dataset, disponibile su Roboflow Universe, è una raccolta curata di immagini specificamente progettata per attività relative alla segmentazione dei pacchi nel 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 su attività di segmentazione delle immagini.

Guarda: Addestra il Modello di Segmentazione Pacchi utilizzando Ultralytics YOLO11 | Pacchi Industriali 🎉

Contenendo un insieme diversificato di immagini che mostrano vari pacchetti in diversi contesti e ambienti, il dataset funge da risorsa preziosa per l'addestramento e la valutazione di modelli di segmentazione. Che tu sia impegnato nella logistica, nell'automazione del magazzino o in qualsiasi applicazione che richieda un'analisi precisa dei pacchetti, il Package Segmentation Dataset 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.

Struttura del set di dati

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

• Set di addestramento: Comprende 1920 immagini accompagnate dalle relative annotazioni.
• Set di test: Consiste di 89 immagini, ognuna abbinata alle rispettive annotazioni.
• Set di convalida: Comprende 188 immagini, ciascuna con le annotazioni corrispondenti.

Applicazioni

La segmentazione dei pacchi, facilitata dal dataset di segmentazione dei pacchi, è fondamentale per ottimizzare la logistica, migliorare la consegna dell'ultimo miglio, migliorare il controllo della qualità della 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 applicazioni di analisi dei pacchi diverse ed efficienti.

Magazzini Intelligenti e Logistica

Nei moderni magazzini, le soluzioni di visione artificiale possono semplificare le operazioni automatizzando l'identificazione e lo smistamento dei pacchi. I modelli di computer vision addestrati su questo set di dati possono rilevare e segmentare rapidamente i pacchi in tempo reale, anche in ambienti difficili con illuminazione scarsa o spazi ingombri. Ciò porta a tempi di elaborazione più rapidi, riduzione degli errori e miglioramento dell'efficienza complessiva nelle operazioni logistiche.

Controllo qualità e rilevamento danni

I modelli di segmentazione dei pacchi possono essere utilizzati per identificare i pacchi danneggiati analizzando la loro forma e il loro aspetto. Rilevando irregolarità o deformazioni nei contorni dei pacchi, questi modelli aiutano a garantire che solo i pacchi intatti proseguano nella supply chain, riducendo i reclami dei clienti e i tassi di reso. Questo è un aspetto chiave del controllo qualità nella produzione ed è fondamentale per mantenere l'integrità del prodotto.

YAML del set di dati

Un file YAML (Yet Another Markup Language) definisce la configurazione del dataset, inclusi percorsi, classi e altri dettagli essenziali. Per il dataset Package Segmentation, il package-seg.yaml file è mantenuto in 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

Utilizzo

Per addestrare un modello Ultralytics YOLO11n sul dataset Package Segmentation per 100 epoche con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina Training 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 di esempio e annotazioni

Il dataset Package Segmentation comprende una collezione variegata di immagini acquisite 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 di pacchi, con maschere annotate che delineano gli oggetti pacco riconosciuti. Il set di dati incorpora una raccolta diversificata di immagini scattate in diverse posizioni, ambienti e densità. Serve come risorsa completa per lo sviluppo di modelli specifici per questa attività di segmentazione.
• L'esempio sottolinea la diversità e la complessità presenti nel dataset, evidenziando l'importanza di dati di alta qualità per le attività di computer vision che coinvolgono la segmentazione dei pacchi.

Vantaggi dell'Utilizzo di YOLO11 per la Segmentazione di Pacchi

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

1. Equilibrio tra velocità e precisione: YOLO11 offre elevata precisione ed efficienza, rendendolo ideale per l'inferenza in tempo reale in ambienti logistici dinamici. Fornisce un solido equilibrio rispetto a modelli come YOLOv8.

2. Adattabilità: I modelli addestrati con YOLO11 possono adattarsi a varie condizioni di magazzino, dall'illuminazione fioca agli spazi ingombri, garantendo prestazioni robuste.

3. Scalabilità: Durante i periodi di picco come le festività natalizie, i modelli YOLO11 possono essere scalati in modo efficiente per gestire maggiori volumi di pacchi senza compromettere le prestazioni o l'accuratezza.

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

Citazioni e ringraziamenti

Se integri il dataset Package Segmentation nelle tue iniziative di ricerca o sviluppo, cita 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, considera di visitare la nostra pagina Ultralytics Datasets e la nostra guida sui consigli per l'addestramento dei modelli.

FAQ

Cos'è il Package Segmentation Dataset e come può essere d'aiuto nei progetti di computer vision?

• Il Package Segmentation Dataset è una raccolta curata di immagini su misura per attività che coinvolgono la segmentazione delle immagini di pacchi. Include diverse immagini di pacchi in vari contesti, rendendolo prezioso per l'addestramento e la valutazione di modelli di segmentazione. Questo dataset è particolarmente utile per applicazioni nella logistica, nell'automazione del magazzino e in qualsiasi progetto che richieda un'analisi precisa dei pacchi.

Come posso addestrare un modello Ultralytics YOLO11 sul Package Segmentation Dataset?

• Puoi addestrare un modello Ultralytics YOLO11 utilizzando sia i metodi Python che CLI. Utilizza gli snippet di codice forniti nella sezione Utilizzo. Consulta la pagina di Addestramento del modello per maggiori dettagli su argomenti e configurazioni.

Quali sono i componenti del set di dati Package Segmentation e come è strutturato?

• Il dataset è strutturato in tre componenti principali:
  • Set di addestramento: Contiene 1920 immagini con annotazioni.
  • Set di test: Comprende 89 immagini con le annotazioni corrispondenti.
  • Set di convalida: Include 188 immagini con annotazioni.
• Questa struttura garantisce un set di dati bilanciato per un training, una convalida e un test approfonditi del modello, seguendo le best practice delineate nelle guide alla valutazione del modello.

Perché dovrei usare Ultralytics YOLO11 con il Package Segmentation Dataset?

• Ultralytics YOLO11 offre accuratezza e velocità all'avanguardia per attività di rilevamento oggetti e segmentazione in tempo reale. L'utilizzo con il set di dati Package Segmentation ti consente di sfruttare le capacità di YOLO11 per una segmentazione precisa dei pacchetti, il che è particolarmente vantaggioso per settori come la logistica e l'automazione dei magazzini.

Come posso accedere e utilizzare il file package-seg.yaml per il Dataset di Segmentazione dei Pacchi?

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

📅 Creato 1 anno fa ✏️ Aggiornato 4 mesi fa

Commenti