Roboflow ユニバース・パッケージ・セグメンテーション・データセット

パッケージ・セグメンテーション・データセット RoboflowPackage Segmentation Datasetは，コンピュータビジョンの分野でパッケージのセグメンテーションに関連するタスクのために特別に調整された画像のキュレーションコレクションです．このデータセットは，パッケージの識別，分類，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，愛好家を支援するために設計されています．

見るんだ： Ultralytics 使ったパッケージセグメンテーションの方法YOLO11 ｜産業用パッケージ🎉｜株式会社日立ソリューションズ

このデータセットには、さまざまなコンテキストや環境におけるさまざまなパッケージを紹介する多様な画像が含まれており、セグメンテーションモデルのトレーニングや評価のための貴重なリソースとして役立ちます。ロジスティクス、倉庫オートメーション、または精密なパッケージ解析を必要とするアプリケーションのいずれにおいても、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、的を絞った包括的な画像セットを提供します。

データセット構造

パッケージ・セグメンテーション・データセットのデータの分布は以下のような構造になっている：

• トレーニングセット：1920枚の画像とそれに対応する注釈。
• テストセット：89枚の画像で構成され、各画像はそれぞれのアノテーションと対になっている。
• 検証セット：188枚の画像からなり、それぞれに対応する注釈が付されている。

アプリケーション

Package Segmentation Datasetによって促進されるパッケージのセグメンテーションは、ロジスティクスの最適化、ラストマイル配送の強化、製造品質管理の改善、スマートシティソリューションへの貢献にとって極めて重要です。電子商取引からセキュリティアプリケーションまで、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ビジョンの技術革新を促進します。

スマート倉庫とロジスティクス

最新の倉庫では、ビジョンAIソリューションが荷物の識別と仕分けを自動化することで、作業を効率化することができます。このデータセットで訓練されたコンピュータ・ビジョン・モデルは、薄暗い照明や散らかったスペースなどの厳しい環境でも、リアルタイムで素早くパッケージを検出し、セグメント化することができます。これにより、処理時間が短縮され、エラーが減少し、物流業務の全体的な効率が向上します。

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は、パッケージの形状と外観を分析することにより、破損したパッケージを識別するために使用することができます。パッケージ外形の不規則性や変形を検出することで、これらのモデルは無傷のパッケージのみがサプライチェーンを通過することを保証し、顧客からの苦情や返品率を低減するのに役立ちます。

データセット YAML

YAML (Yet Another Markup Language) ファイルはデータセットの設定を定義するために使われる。このファイルには、データセットのパスやクラス、その他の関連情報が含まれています。パッケージセグメンテーションデータセットの場合は package-seg.yaml ファイルは 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 (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: train/images # train images (relative to 'path') 1920 images
val: valid/images # 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

使用方法

Ultralytics YOLO11nモデルをPackage Segmentationデータセットで画像サイズ640で100エポック学習させるには、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、モデルのトレーニングページを参照してください。

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

サンプルデータと注釈

パッケージ・セグメンテーション・データセットは、複数の視点から撮影された様々な画像や動画から構成されている。以下は、このデータセットに含まれるデータの例であり、それぞれの注釈が添えられている：

• この画像は画像オブジェクト検出の一例であり、認識されたオブジェクトの輪郭を示すマスク付きの注釈付きバウンディングボックスが特徴である。このデータセットには、さまざまな場所、環境、密度で撮影された画像の多様なコレクションが含まれている。この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つ。
• この例は、データセットに存在する多様性と複雑性を強調し、パッケージのセグメンテーションを含むコンピュータビジョンのタスクにおける高品質データの重要性を強調している。

パッケージ・セグメンテーションにYOLO11 使用する利点

Ultralytics YOLO11は、パッケージのセグメンテーション作業にいくつかの利点を提供する：

1. スピードと精度のバランス：YOLO11 、YOLOv8m22％少ないパラメータで高精度を達成し、ペースの速い物流環境でのリアルタイムパッケージ検知に理想的です。

2. 適応性：YOLO11 学習したモデルは、薄暗い照明から雑然とした空間まで、さまざまな倉庫の状況に適応することができる。

3. 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、YOLO11 モデルは、パフォーマンスを損なうことなく、荷物の増加に対応するために効率的に拡張することができます。

4. 統合機能：YOLO11 、既存の倉庫管理システムと簡単に統合でき、エンド・ツー・エンドの自動化ソリューションを実現します。

引用と謝辞

Package Segmentationデータセットを研究または開発イニシアティブに統合する場合は、以下の論文を引用してください：

@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 },
}

ロジスティクスと研究プロジェクトのための貴重な資産であるPackage Segmentationデータセットの作成と維持におけるRoboflow チームの努力に感謝の意を表する。Package Segmentationデータセットとその作成者についての詳細は，Package Segmentation Dataset Pageをご覧ください．

よくあるご質問

Roboflow Package Segmentation Datasetとは何ですか？また、コンピュータビジョンプロジェクトにどのように役立ちますか？

Roboflow Package Segmentation Datasetは、パッケージのセグメンテーションを含むタスク用にカスタマイズされた画像のコレクションです。このデータセットには、さまざまなコンテクストのパッケージの画像が含まれており、セグメンテーションモデルのトレーニングや評価に非常に役立ちます。このデータセットは、ロジスティクス、倉庫オートメーション、および精密なパッケージ解析を必要とするあらゆるプロジェクトでのアプリケーションに特に役立ちます。ロジスティクスを最適化し、正確なパッケージ識別と仕分けのためのビジョンモデルを強化するのに役立ちます。

パッケージ・セグメンテーション・データセットでUltralytics YOLO11 モデルをトレーニングするには？

Python とCLI の両方のメソッドを使って、Ultralytics YOLO11nモデルをトレーニングすることができる。以下のスニペットを使用する：

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

詳しくはモデル・トレーニングのページをご覧ください。

パッケージ・セグメンテーション・データセットの構成要素とその構造は？

データセットは主に3つの要素で構成されている：

• トレーニングセット：注釈付きの1920枚の画像を含む。
• テストセット：対応するアノテーションを持つ89の画像から成る。
• 検証セット：注釈付き画像188枚を含む。

この構造により、モデルのトレーニング、検証、テストを徹底的に行うためのバランスのとれたデータセットが確保され、セグメンテーションアルゴリズムの性能が向上する。

なぜUltralytics YOLO11 を Package Segmentation Dataset と一緒に使う必要があるのか？

Ultralytics YOLO11 は、リアルタイムのオブジェクト検出とセグメンテーションのタスクに対して、最先端の精度と速度を提供します。パッケージ・セグメンテーション・データセットと併用することで、YOLO11 の機能を活用して正確なパッケージ・セグメンテーションを行うことができます。この組み合わせは、正確なパッケージ識別が重要な物流や倉庫オートメーションなどの業界にとって特に有益です。詳細については、 YOLO11 セグメンテーションのページをご覧ください。

Package Segmentation Datasetのpackage-seg.yamlファイルにアクセスして使用するにはどうすればよいですか？

について package-seg.yaml ファイルはUltralytics' GitHub リポジトリでホストされており、データセットのパス、クラス、設定に関する重要な情報が含まれています。ダウンロードは これ.このファイルは、データセットを効率的に利用するためにモデルを設定するのに非常に重要である。

より詳細な洞察と実用的な例については、使用法のセクションをご覧ください。

📅作成：1年前 ✏️更新しました 8日前

コメント