パッケージ・セグメンテーション・データセット
Roboflow Universeで利用可能なPackage 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、主に画像セグメンテーションタスクに焦点を当て、パッケージの識別、ソート、ハンドリングに関わ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 YOLO11 使用したパッケージ・セグメンテーション・モデルのトレーニング｜工業用パッケージ 🎉.
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、パッケージセグメンテーションデータセットは、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、ターゲットとなる包括的な画像セットを提供します。データセットの概要ページで、セグメンテーションタスク用のデータセットをさらに詳しくご覧ください。
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、区分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。これは製造業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。
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、データセットのコンフィギュレーションを定義する。パッケージセグメンテーションデータセットでは package-seg.yaml ファイルは https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml.
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
をトレーニングする Ultralytics YOLO11nモデルを、画像サイズ640で100エポックのPackage Segmentationデータセットで学習するには、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、モデルのトレーニングページを参照してください。
列車の例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-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")
# Load a pretrained segmentation model and start training
yolo segment train data=package-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
# Resume training from the last checkpoint
yolo segment train data=package-seg.yaml model=path/to/last.pt resume=True
# Validate the trained model
yolo segment val data=package-seg.yaml model=path/to/best.pt
# Perform inference using the trained model
yolo segment predict model=path/to/best.pt source=path/to/image.jpg
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のコレクション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インスタンスと、それぞれのセグメンテーションマスクである：
- この画像はパッケージのセグメンテーションの一例で、認識されたパッケージオブジェクトの輪郭を示す注釈付きマスクが特徴である。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：
-
スピードと精度のバランス：YOLO11 高精度と高効率を実現し、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。YOLO11は YOLOv8.
-
適応性：YOLO11 訓練されたモデルは、薄暗い照明から雑然とした空間まで、様々な倉庫の状況に適応することができ、堅牢な性能を保証します。
-
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、YOLO11 モデルは、パフォーマンスや精度を損なうことなく、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。
-
統合機能：YOLO11 、既存の倉庫管理システムと簡単に統合でき、次のようなフォーマットを使用して、さまざまなプラットフォームで展開できます。 ONNXまたは TensorRTエンドツーエンドの自動化ソリューションを促進します。
引用と謝辞
もしあなたがPackage Segmentationデータセットをあなたの研究または開発イニシアティブに統合する場合、適切に出典を引用してください：
@misc{ factory_package_dataset,
title = { factory_package Dataset },
type = { Open Source Dataset },
author = { factorypackage },
url = { https://universe.roboflow.com/factorypackage/factory_package },
journal = { Roboflow Universe },
publisher = { Roboflow },
year = { 2024 },
month = { jan },
note = { visited on 2024-01-24 },
}
パッケージ・セグメンテーション・データセットの作成者のコンピュータ・ビジョン・コミュニティへの貢献に感謝します。データセットとモデルトレーニングの詳細については、Ultralytics データセットのページと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。
よくあるご質問
パッケージ・セグメンテーション・データセットとは何ですか？
- Package Segmentation Datasetは、パッケージ画像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。
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？
- を訓練することができます。 Ultralytics YOLO11モデルをトレーニングできます。使い方のセクションで提供されているコードスニペットを使用してください。引数と設定の詳細については、モデルトレーニングのページを参照してください。
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、モデルの評価ガイドに概説されているベストプラクティスに従って、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保証される。
なぜUltralytics YOLO11 を Package Segmentation Dataset と一緒に使う必要があるのか？
- Ultralytics YOLO11 、リアルタイムの物体検出とセグメンテーションタスクに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・データセットと一緒に使用することで、YOLO11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。
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UltralyticsGitHubリポジトリにホストされており、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。下記から閲覧またはダウンロードできます。 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml.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ために重要である。より詳細な洞察と実用的な例については Python 使用方法 セクションを参照されたい。
