Vai al contenuto

Roboflow Pacchetto Universo Segmentazione Dataset

Il Roboflow Package Segmentation Dataset è una raccolta curata di immagini specificamente concepite per compiti legati alla segmentazione delle confezioni nel campo della computer vision. Questo set di dati è stato progettato per assistere i ricercatori, gli sviluppatori e gli appassionati che lavorano su progetti relativi all'identificazione, all'ordinamento e alla gestione dei pacchetti.

Il dataset, che contiene una serie di immagini che mostrano vari imballaggi in contesti e ambienti diversi, è una risorsa preziosa per l'addestramento e la valutazione dei modelli di segmentazione. Se siete impegnati nella logistica, nell'automazione dei magazzini o in qualsiasi applicazione che richieda un'analisi precisa dei pacchi, il set di dati sulla segmentazione dei pacchi fornisce un insieme mirato e completo di immagini per migliorare le prestazioni dei vostri algoritmi di visione artificiale.

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: È costituito da 89 immagini, ciascuna abbinata alle rispettive annotazioni.
  • Set di validazione: 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. Dal commercio elettronico alle applicazioni di sicurezza, questo set di dati è una risorsa fondamentale, che promuove l'innovazione nella computer vision per applicazioni di analisi dei pacchetti diverse ed efficienti.

Set di dati YAML

Un file YAML (Yet Another Markup Language) è usato 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

Per addestrare il modello Ultralytics YOLO11n sul dataset Package Segmentation per 100 epoch con una dimensione dell'immagine di 640, è possibile utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consultare la pagina di addestramento del modello.

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 e annotazioni di esempio

Il dataset Package Segmentation comprende una raccolta variegata di immagini e video catturati da diverse prospettive. Di seguito sono riportate le istanze dei dati del dataset, accompagnate dalle rispettive annotazioni:

Immagine campione del set di dati

  • Questa immagine mostra un'istanza di rilevamento di oggetti in un'immagine, con caselle di delimitazione annotate e maschere che delineano gli oggetti riconosciuti. Il set di dati incorpora una raccolta diversificata di immagini scattate in luoghi, ambienti e densità differenti. Serve come risorsa completa per lo sviluppo di modelli specifici per questo compito.
  • 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 si integra il set di dati sulla segmentazione delle crepe nelle proprie iniziative di ricerca o sviluppo, si prega di citare 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, un bene prezioso per la logistica e i progetti di ricerca. Per ulteriori dettagli sul dataset Package Segmentation e sui suoi creatori, visitare la pagina del dataset Package Segmentation.

FAQ

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

Il dataset per la 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, che lo rendono 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 qualsiasi progetto che richieda 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.

Come si addestra un modello Ultralytics YOLO11 sul dataset Package Segmentation?

È possibile addestrare un modello Ultralytics YOLO11n utilizzando sia il metodo Python che CLI . Utilizzare gli snippet riportati di seguito:

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, consultare la pagina Formazione del modello.

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

Il set di dati è strutturato in tre componenti principali:

  • Set di allenamento: Contiene 1920 immagini con annotazioni.
  • Set di test: Comprende 89 immagini con le relative annotazioni.
  • Set di convalida: Include 188 immagini con annotazioni.

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

Perché utilizzare Ultralytics YOLO11 con il dataset Segmentazione pacchetti?

Ultralytics YOLO11 offre una precisione e una velocità all'avanguardia per il rilevamento e la segmentazione degli oggetti in tempo reale. L'utilizzo del dataset Package Segmentation consente di sfruttare le capacità di YOLO11 per una precisa segmentazione degli imballaggi. Questa combinazione è particolarmente vantaggiosa per settori come la logistica e l'automazione dei magazzini, dove l'identificazione accurata degli imballaggi è fondamentale. Per ulteriori informazioni, consultate la nostra pagina sulla segmentazione di YOLO11 .

Come si può 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. È possibile 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, esplorate la nostra sezione Utilizzo.

📅C reato 10 mesi fa ✏️ Aggiornato 2 mesi fa

Commenti