Link to this sectionPackage Segmentation Dataset#

Package Segmentation Datasetは、コンピュータービジョン分野におけるパッケージセグメンテーション関連タスク向けに特別に調整された、厳選された画像コレクションです。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 🎉

多様な環境や状況下における様々なパッケージを写した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、あるい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おいて、Package Segmentation Datasetは、コンピュータービジョンのアルゴリズムのパフォーマンスを向上させるための、目的が明確かつ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向けのその他のデータセットについては、datasets overview pageをご覧ください。

Link to this sectionデータセットの構造#

Package Segmentation Datasetにおけるデータの分布は以下の通りです。

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: 188枚の画像で構成されており、それぞれに対応するアノテーションがペアになっています。
検証セット: 89枚の画像で構成されており、それぞれに対応するアノテーションが含まれています。

Link to this section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、製造品質管理の改善、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アプリケーションに至るまで、このデータセットは重要なリソースであり、多様で効率的なパッケージ分析アプリケーションのためのコンピュータービジョンにおけるイノベーションを促進します。

Link to this sectionスマート倉庫と物流#

現代の倉庫では、ビジョンAIソリューションが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ービジョンモデルは、薄暗い照明や乱雑なスペースなどの困難な環境であっても、リアルタイムでパッケージを迅速に検出およびセグメント化できます。これにより、処理時間の短縮、エラーの削減、および物流業務における全体的な効率の向上が実現します。

Link to this section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して、パッケージの形状や外観を分析することで損傷したパッケージを識別できます。パッケージの輪郭の不規則性や変形を検出することで、これらのモデルは損傷のない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、顧客の苦情や返品率を削減するのに役立ちます。これは製造における品質管理の重要な側面であり、製品の完全性を維持するために不可欠です。

Link to this sectionデータセット YAML#

YAML（Yet Another Markup Language）ファイルは、パス、クラス、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

Link to this section使用方法#

Ultralytics YOLO26nモデルをPackage Segmentationデータセットで100 epochs、画像サイズ640でトレーニングするには、以下のコードスニペットを使用できます。利用可能な引数の包括的なリストについては、モデルのTraining pageを参照してください。

学習例

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")

Link to this section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からのデータの例であり、それぞれのセグメンテーションマスクが付属しています。

物流向けパッケージセグメンテーションデータセットのサンプル

この画像は、認識されたパッケージオブジェクトの外形を示す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、様々な場所、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segmentation task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含むコンピュータービジョンタスクにおいて、高品質なデータの重要性を裏付けています。

Link to this sectionパッケージセグメンテーションに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対し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でのreal-time inferenceに最適です。YOLOv8のようなモデルと比較して、優れた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、薄暗い照明から乱雑なスペースまで、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、増加したパッケージ量に対応す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といったフォーマットを使用して様々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の構築を促進します。

Link to this section引用と謝辞#

研究や開発の取り組みにPackage Segmentationデータセットを統合する場合は、適切に出典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 },
}

コンピュータービジョンコミュニティへの貢献に対し、Package Segmentationデータセットの作成者に感謝いたします。データセットやモデルトレーニングのさらなる探索については、Ultralytics Datasetsページおよびmodel training tipsに関するガイドの参照をご検討ください。

Link to this sectionよくある質問 (FAQ)#