Dataset di segmentazione pacchi

Il dataset di segmentazione pacchi è una raccolta curata di immagini specificamente pensata per attività relative alla segmentazione dei pacchi nel campo della computer vision. Questo dataset è progettato per aiutare ricercatori, sviluppatori e appassionati che lavorano su progetti che coinvolgono l'identificazione, lo smistamento e la movimentazione dei pacchi, concentrandosi principalmente su attività di segmentazione delle immagini.

Contenendo un insieme diversificato di immagini che mostrano vari pacchi in contesti e ambienti differenti, il dataset funge da risorsa preziosa per addestrare e valutare 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 pacchi fornisce un set di immagini mirato e completo 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 dataset

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

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

Applicazioni

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

Magazzini intelligenti e logistica

Nei magazzini moderni, le soluzioni di visione AI 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 operazioni logistiche.

Controllo qualità e rilevamento danni

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

YAML del dataset

Un file YAML (Yet Another Markup Language) definisce la configurazione del dataset, inclusi percorsi, classi e altri dettagli essenziali. Per il dataset di segmentazione 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

Utilizzo

Per addestrare un modello Ultralytics YOLO26n sul dataset di segmentazione pacchi per 100 epoche 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 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 annotazioni di esempio

Il dataset di segmentazione pacchi comprende una variegata raccolta 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 esempio di segmentazione dei pacchi, con maschere annotate che delineano gli oggetti pacco riconosciuti. Il dataset incorpora una raccolta diversificata di immagini scattate in luoghi, ambienti e densità differenti. Serve come risorsa completa per sviluppare modelli specifici per questa attività di segmentazione.
• L'esempio sottolinea la diversità e la complessità presenti nel dataset, evidenziando il significato di dati di alta qualità per le attività di computer vision che coinvolgono la segmentazione dei pacchi.

Vantaggi 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'inferenza in tempo reale 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 picco come le festività, i modelli YOLO26 possono scalare in modo efficiente per gestire volumi di pacchi aumentati senza compromettere le prestazioni o l'accuratezza.

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.

Citazioni e ringraziamenti

Se integri il dataset di segmentazione 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 pacchi per il loro contributo alla comunità della computer vision. Per un'ulteriore esplorazione di dataset e addestramento dei modelli, prendi in considerazione la visita della nostra pagina Dataset Ultralytics e della nostra guida sui consigli per l'addestramento dei modelli.

FAQ

Cos'è il dataset di segmentazione pacchi e come può aiutare nei progetti di computer vision?

• Il dataset di segmentazione pacchi è una raccolta curata di immagini pensata per attività che coinvolgono la segmentazione delle immagini 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, nell'automazione di magazzino e in qualsiasi progetto che richieda un'analisi precisa dei pacchi.

Come addestro un modello Ultralytics YOLO26 sul dataset di segmentazione pacchi?

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

Quali sono i componenti del dataset di segmentazione pacchi 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 corrispondenti annotazioni.
  • Set di validazione: Include 188 immagini con annotazioni.
• Questa struttura garantisce un dataset bilanciato per un addestramento, una validazione e un test approfonditi del modello, seguendo le migliori pratiche delineate nelle guide alla valutazione dei modelli.

Perché dovrei usare Ultralytics YOLO26 con il dataset di segmentazione pacchi?

• Ultralytics YOLO26 fornisce accuratezza e velocità all'avanguardia per attività di rilevamento oggetti e segmentazione in tempo reale. Utilizzarlo con il dataset di segmentazione pacchi ti consente di sfruttare le capacità di YOLO26 per una segmentazione precisa dei pacchi, il che è particolarmente vantaggioso per settori come la logistica e l'automazione di magazzino.

Come posso accedere e utilizzare il file package-seg.yaml per il dataset di segmentazione 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 affinché utilizzino il dataset in modo efficiente. Per ulteriori approfondimenti ed esempi pratici, esplora la nostra sezione Utilizzo di Python.