Vai al contenuto

Roboflow Pacchetto Universo Segmentazione Dataset

The Roboflow Package Segmentation Dataset is a curated collection of images specifically tailored for tasks related to package segmentation in the field of computer vision. This dataset is designed to assist researchers, developers, and enthusiasts working on projects related to package identification, sorting, and handling.

Contenendo una serie di immagini diverse che mostrano vari imballaggi in contesti e ambienti diversi, il dataset è una risorsa preziosa per l'addestramento e la valutazione dei modelli di segmentazione. Se sei impegnato nella logistica, nell'automazione dei magazzini o in qualsiasi applicazione che richieda un'analisi precisa dei pacchi, il Package Segmentation Dataset fornisce un set di immagini mirato e completo per migliorare le prestazioni dei tuoi algoritmi di computer vision.

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: Consiste in 89 immagini, ciascuna abbinata alle rispettive annotazioni.
  • Set di convalida: 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. Dall'e-commerce alle applicazioni di sicurezza, questo set di dati è una risorsa fondamentale che promuove l'innovazione nella computer vision per applicazioni di analisi dei pacchi diverse ed efficienti.

Set di dati YAML

Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e altre informazioni rilevanti. Nel caso del 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/cfg/datasets/package-seg.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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: images/train # train images (relative to 'path') 1920 images
val: images/val # 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

To train Ultralytics YOLO11n model on the Package Segmentation dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

Esempio di treno

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=package-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Dati di esempio e annotazioni

Il dataset Package Segmentation comprende una raccolta variegata di immagini e video catturati da diverse prospettive. Di seguito sono riportati alcuni esempi di dati del dataset, accompagnati dalle rispettive annotazioni:

Immagine campione del set di dati

  • This image displays an instance of image object detection, featuring annotated bounding boxes with masks outlining recognized objects. The dataset incorporates a diverse collection of images taken in different locations, environments, and densities. It serves as a comprehensive resource for developing models specific to this task.
  • L'esempio sottolinea la diversità e la complessità del set di dati VisDrone, evidenziando l'importanza dei dati dei sensori di alta qualità per le attività di computer vision con i droni.

Citazioni e ringraziamenti

Se integri il set di dati sulla segmentazione delle crepe nelle tue iniziative di ricerca o sviluppo, cita il seguente documento:

@misc{ factory_package_dataset,
    title = { factory_package Dataset },
    type = { Open Source Dataset },
    author = { factorypackage },
    howpublished = { \url{ https://universe.roboflow.com/factorypackage/factory_package } },
    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 al team di Roboflow per l'impegno profuso nella creazione e nel mantenimento del dataset Package Segmentation, una risorsa preziosa per la logistica e i progetti di ricerca. Per ulteriori dettagli sul dataset Package Segmentation e sui suoi creatori, visita la pagina del dataset Package Segmentation.

DOMANDE FREQUENTI

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

Il Dataset di Segmentazione dei Pacchetti diRoboflow è una raccolta curata di immagini adatte a compiti di segmentazione dei pacchetti. Include diverse immagini di pacchi in vari contesti, il che lo rende prezioso per l'addestramento e la valutazione dei modelli di segmentazione. Questo set di dati è particolarmente utile per le applicazioni di logistica, automazione dei magazzini e per tutti i progetti che richiedono un'analisi precisa dei pacchi. Aiuta a ottimizzare la logistica e a migliorare i modelli di visione per un'identificazione e uno smistamento accurati dei pacchi.

How do I train an Ultralytics YOLO11 model on the Package Segmentation Dataset?

You can train an Ultralytics YOLO11n model using both Python and CLI methods. Use the snippets below:

Esempio di treno

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model

# Train the model
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=package-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Per maggiori dettagli, consulta la pagina Formazione del modello.

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

The dataset is structured into three main components:

  • Training set: Contains 1920 images with annotations.
  • Testing set: Comprises 89 images with corresponding annotations.
  • Validation set: Includes 188 images with annotations.

Questa struttura garantisce un set di dati equilibrato per l'addestramento, la validazione e il test del modello, migliorando le prestazioni degli algoritmi di segmentazione.

Why should I use Ultralytics YOLO11 with the Package Segmentation Dataset?

Ultralytics YOLO11 provides state-of-the-art accuracy and speed for real-time object detection and segmentation tasks. Using it with the Package Segmentation Dataset allows you to leverage YOLO11's capabilities for precise package segmentation. This combination is especially beneficial for industries like logistics and warehouse automation, where accurate package identification is critical. For more information, check out our page on YOLO11 segmentation.

Come posso 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. Puoi 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, esplora la nostra sezione Utilizzo.


📅 Created 8 months ago ✏️ Updated 11 days ago

Commenti