Package Segmentation Dataset

Package Segmentation Datasetは、コンピュータビジョン分野におけるパッケージのセグメンテーションタスク向けに特別にキュレーションされた画像集です。このデータセットは、パッケージの識別、仕分け、および取り扱いに関連するプロジェクトに取り組む研究者、開発者、および愛好家を支援するために設計されており、主に画像セグメンテーションタスクに焦点を当てています。

Watch: Train Package Segmentation Model using Ultralytics YOLO26 | Industrial Packages 🎉

さまざまな状況や環境にある多様なパッケージ画像を含むこのデータセットは、セグメンテーションモデルのトレーニングと評価のための貴重なリソースとなります。物流、倉庫自動化、または正確なパッケージ分析を必要とするあらゆるアプリケーションに従事している場合でも、Package Segmentation Datasetは、コンピュータビジョンアルゴリズムのパフォーマンスを向上させるための、ターゲットを絞った包括的な画像セットを提供します。セグメンテーションタスクに関するその他のデータセットについては、データセットの概要ページをご覧ください。

データセットの構造

Package Segmentation Datasetのデータ構成は以下の通りです。

トレーニングセット: 1920枚の画像とそれに対応するアノテーションが含まれています。
テストセット: それぞれ対応するアノテーションとペアになった89枚の画像で構成されています。
検証セット: それぞれ対応するアノテーションを持つ188枚の画像で構成されています。

アプリケーション

Package Segmentation Datasetを活用したパッケージセグメンテーションは、物流の最適化、ラストワンマイル配送の強化、製造品質管理の向上、およびスマートシティソリューションへの貢献において極めて重要です。Eコマースからセキュリティ用途まで、このデータセットは重要なリソースであり、多様かつ効率的なパッケージ分析アプリケーションに向けたコンピュータビジョンのイノベーションを促進します。

スマート倉庫と物流

現代の倉庫において、ビジョンAIソリューションは、パッケージの識別と仕分けを自動化することで業務を効率化できます。このデータセットでトレーニングされたコンピュータビジョンモデルは、照明が暗い場所や物が散乱しているスペースといった困難な環境下でも、リアルタイムで素早くパッケージを検出し、セグメンテーションを行うことができます。これにより、処理時間の短縮、エラーの低減、そして物流業務全体の効率向上が実現します。

品質管理と損傷検出

パッケージセグメンテーションモデルを使用すると、パッケージの形状や外観を分析して、破損したパッケージを特定できます。パッケージの輪郭の不規則性や変形を検出することで、これらのモデルは完全な状態のパッケージのみがサプライチェーンを通過するようにし、顧客からの苦情や返品率を低減します。これは製造現場での品質管理における重要な側面であり、製品の完全性を維持するために不可欠です。

データセットYAML

YAML（Yet Another Markup Language）ファイルは、パス、クラス、およびその他の重要な詳細を含むデータセット構成を定義します。Package Segmentationデータセットの場合、package-seg.yamlファイルは https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml で管理されています。

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

使用方法

To train an Ultralytics YOLO26n 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.

トレーニングの例

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")

サンプルデータとアノテーション

Package Segmentationデータセットは、複数の視点から撮影された多様な画像で構成されています。以下はデータセット内のデータの例であり、それぞれに対応するセグメンテーションマスクが示されています。

Package segmentation dataset sample for logistics

この画像は、認識されたパッケージオブジェクトを縁取るアノテーション付きマスクを特徴とする、パッケージセグメンテーションのインスタンスを表示しています。このデータセットには、異なる場所、環境、密度で撮影された多様な画像が含まれています。これは、このセグメンテーションタスクに特化したモデルを開発するための包括的なリソースとして役立ちます。
この例は、データセットに存在する多様性と複雑さを強調しており、パッケージセグメンテーションを伴うコンピュータビジョンタスクにおいて、高品質なデータがいかに重要であるかを裏付けています。

Package SegmentationにYOLO26を使用する利点

Ultralytics YOLO26は、パッケージセグメンテーションタスクにおいていくつかの利点を提供します：

速度と精度のバランス: YOLO26は高い精度と効率を実現しており、ペースの速い物流環境におけるリアルタイム推論に最適です。YOLOv8などのモデルと比較しても強力なバランスを提供します。
適応性: YOLO26でトレーニングされたモデルは、薄暗い照明から混雑したスペースまで、さまざまな倉庫条件に適応し、堅牢なパフォーマンスを保証します。
スケーラビリティ: ホリデーシーズンなどのピーク時には、YOLO26モデルはパフォーマンスや精度を損なうことなく、増加するパッケージ量に対応できるように効率的にスケーリングできます。
統合機能: YOLO26は、既存の倉庫管理システムと簡単に統合でき、ONNXやTensorRTなどのフォーマットを使用してさまざまなプラットフォームにデプロイできるため、エンドツーエンドの自動化ソリューションを容易にします。

引用と謝辞

Package Segmentationデータセットを研究や開発の取り組みに統合する場合は、適切にソースを引用してください：

引用

@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 },
}

Package Segmentationデータセットの作成者がコンピュータビジョンコミュニティに貢献してくれたことに感謝いたします。データセットやモデルのトレーニングについての詳細は、Ultralytics Datasetsページやモデルトレーニングのヒントに関するガイドをご覧ください。

FAQ