SKU-110k 데이터 세트

SKU-110k 데이터 세트는 빽빽하게 포장된 소매 선반 이미지 모음으로, 객체 감지 작업 연구를 지원하도록 설계되었습니다. Eran Goldman 등이 개발한 이 데이터 세트에는 빽빽하게 포장된 객체가 있는 110,000개 이상의 고유한 SKU(Store Keeping Unit) 범주가 포함되어 있으며, 종종 유사하거나 동일하게 보이며 근접하게 배치됩니다.

참고: Ultralytics를 사용하여 SKU-110k 데이터셋에서 YOLOv10 훈련 방법 | 소매 데이터셋

주요 기능

• SKU-110k는 전 세계 상점 선반의 이미지를 포함하며, 최첨단 객체 검출기에 어려움을 주는 빽빽하게 채워진 객체를 특징으로 합니다.
• 이 데이터 세트는 110,000개 이상의 고유한 SKU 카테고리를 포함하여 다양한 범위의 객체 모양을 제공합니다.
• 어노테이션에는 객체에 대한 경계 상자 및 SKU 범주 레이블이 포함됩니다.

데이터 세트 구조

SKU-110k 데이터 세트는 세 가지 주요 하위 세트로 구성됩니다.

1. 학습 데이터 세트: 이 하위 세트는 객체 감지 모델 학습에 사용되는 8,219개의 이미지와 어노테이션을 포함합니다.
2. 검증 세트: 이 하위 세트는 훈련 중 모델 검증에 사용되는 588개의 이미지와 주석으로 구성됩니다.
3. 테스트 세트: 이 하위 세트에는 훈련된 객체 탐지 모델의 최종 평가를 위해 설계된 2,936개의 이미지가 포함되어 있습니다.

응용 분야

SKU-110k 데이터 세트는 객체 감지 작업, 특히 소매 선반 디스플레이와 같이 빽빽하게 포장된 장면에서 딥 러닝 모델을 훈련하고 평가하는 데 널리 사용됩니다. 응용 분야는 다음과 같습니다.

• 소매 재고 관리 및 자동화
• 전자 상거래 플랫폼에서의 제품 인식
• 플래노그램 준수 확인
• 상점의 셀프 계산대 시스템
• 창고에서의 로봇 Picking 및 Sorting

이 데이터 세트는 다양한 SKU 카테고리와 밀집된 객체 배열을 통해 컴퓨터 비전 분야의 연구자와 실무자에게 귀중한 자료를 제공합니다.

데이터세트 YAML

YAML(Yet Another Markup Language) 파일은 데이터 세트 구성을 정의하는 데 사용됩니다. 여기에는 데이터 세트의 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. SKU-110K 데이터 세트의 경우, SKU-110K.yaml 파일은 다음 위치에서 관리됩니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/SKU-110K.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# SKU-110K retail items dataset https://github.com/eg4000/SKU110K_CVPR19 by Trax Retail
# Documentation: https://docs.ultralytics.com/datasets/detect/sku-110k/
# Example usage: yolo train data=SKU-110K.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── SKU-110K ← downloads here (13.6 GB)

# 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: SKU-110K # dataset root dir
train: train.txt # train images (relative to 'path') 8219 images
val: val.txt # val images (relative to 'path') 588 images
test: test.txt # test images (optional) 2936 images

# Classes
names:
  0: object

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  import shutil
  from pathlib import Path

  import numpy as np
  import polars as pl

  from ultralytics.utils import TQDM
  from ultralytics.utils.downloads import download
  from ultralytics.utils.ops import xyxy2xywh

  # Download
  dir = Path(yaml["path"])  # dataset root dir
  parent = Path(dir.parent)  # download dir
  urls = ["http://trax-geometry.s3.amazonaws.com/cvpr_challenge/SKU110K_fixed.tar.gz"]
  download(urls, dir=parent)

  # Rename directories
  if dir.exists():
      shutil.rmtree(dir)
  (parent / "SKU110K_fixed").rename(dir)  # rename dir
  (dir / "labels").mkdir(parents=True, exist_ok=True)  # create labels dir

  # Convert labels
  names = "image", "x1", "y1", "x2", "y2", "class", "image_width", "image_height"  # column names
  for d in "annotations_train.csv", "annotations_val.csv", "annotations_test.csv":
      x = pl.read_csv(dir / "annotations" / d, has_header=False, new_columns=names, infer_schema_length=None).to_numpy()  # annotations
      images, unique_images = x[:, 0], np.unique(x[:, 0])
      with open((dir / d).with_suffix(".txt").__str__().replace("annotations_", ""), "w", encoding="utf-8") as f:
          f.writelines(f"./images/{s}\n" for s in unique_images)
      for im in TQDM(unique_images, desc=f"Converting {dir / d}"):
          cls = 0  # single-class dataset
          with open((dir / "labels" / im).with_suffix(".txt"), "a", encoding="utf-8") as f:
              for r in x[images == im]:
                  w, h = r[6], r[7]  # image width, height
                  xywh = xyxy2xywh(np.array([[r[1] / w, r[2] / h, r[3] / w, r[4] / h]]))[0]  # instance
                  f.write(f"{cls} {xywh[0]:.5f} {xywh[1]:.5f} {xywh[2]:.5f} {xywh[3]:.5f}\n")  # write label

사용법

SKU-110K 데이터셋에서 YOLO26n 모델을 100 에포크 동안 640 크기의 이미지로 훈련하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 훈련 페이지를 참조하십시오.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="SKU-110K.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=SKU-110K.yaml model=yolo26n.pt epochs=100 imgsz=640

샘플 데이터 및 주석

SKU-110k 데이터 세트는 빽빽하게 채워진 객체가 있는 다양한 소매 선반 이미지 세트를 포함하여 객체 감지 작업에 대한 풍부한 컨텍스트를 제공합니다. 다음은 데이터 세트의 데이터 예와 해당 주석입니다.

• 빽빽하게 포장된 소매 선반 이미지: 이 이미지는 소매 선반 환경에서 빽빽하게 포장된 객체의 예를 보여줍니다. 객체는 경계 상자 및 SKU 카테고리 레이블로 주석 처리됩니다.

이 예는 SKU-110k 데이터 세트의 데이터 다양성과 복잡성을 보여주고 객체 감지 작업에 고품질 데이터가 중요하다는 점을 강조합니다. 제품의 밀집된 배열은 감지 알고리즘에 고유한 문제를 제기하므로 이 데이터 세트는 강력한 소매 중심 컴퓨터 비전 솔루션을 개발하는 데 특히 유용합니다.

인용 및 감사의 말씀

연구 또는 개발 작업에 SKU-110k 데이터 세트를 사용하는 경우 다음 논문을 인용해 주십시오:

@inproceedings{goldman2019dense,
  author    = {Eran Goldman and Roei Herzig and Aviv Eisenschtat and Jacob Goldberger and Tal Hassner},
  title     = {Precise Detection in Densely Packed Scenes},
  booktitle = {Proc. Conf. Comput. Vision Pattern Recognition (CVPR)},
  year      = {2019}
}

컴퓨터 비전 연구 커뮤니티를 위한 귀중한 리소스인 SKU-110k 데이터 세트를 만들고 유지 관리해 주신 Eran Goldman 외 여러 분께 감사를 드립니다. SKU-110k 데이터 세트 및 제작자에 대한 자세한 내용은 SKU-110k 데이터 세트 GitHub 저장소를 방문하십시오.

FAQ

SKU-110k 데이터 세트는 무엇이며 객체 탐지에서 왜 중요합니까?

SKU-110k 데이터 세트는 객체 감지 작업 연구를 돕기 위해 설계된 빽빽하게 채워진 소매 선반 이미지로 구성됩니다. Eran Goldman 등이 개발했으며 110,000개 이상의 고유한 SKU 범주를 포함합니다. 이 데이터 세트가 중요한 이유는 다양한 객체 모양과 근접성으로 최첨단 객체 감지기에 도전하여 컴퓨터 비전 분야의 연구원과 실무자에게 귀중한 리소스가 되기 때문입니다. SKU-110k 데이터 세트 섹션에서 데이터 세트의 구조 및 응용 프로그램에 대해 자세히 알아보십시오.

SKU-110k 데이터셋을 사용하여 YOLO26 모델을 어떻게 훈련시키나요?

SKU-110k 데이터셋으로 YOLO26 모델을 훈련하는 것은 간단합니다. 다음은 이미지 크기를 640으로 설정하고 100 에포크 동안 YOLO26n 모델을 훈련하는 예시입니다:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="SKU-110K.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=SKU-110K.yaml model=yolo26n.pt epochs=100 imgsz=640

사용 가능한 인수에 대한 포괄적인 목록은 모델 훈련 페이지를 참조하세요.

SKU-110k 데이터 세트의 주요 하위 세트는 무엇입니까?

SKU-110k 데이터 세트는 세 가지 주요 하위 세트로 구성됩니다.

1. 학습 데이터 세트: 객체 감지 모델 학습에 사용되는 8,219개의 이미지와 어노테이션을 포함합니다.
2. 검증 세트: 훈련 중 모델 검증에 사용되는 588개의 이미지와 주석으로 구성됩니다.
3. 테스트 세트: 훈련된 객체 탐지 모델의 최종 평가를 위해 설계된 2,936개의 이미지를 포함합니다.

자세한 내용은 데이터 세트 구조 섹션을 참조하십시오.

훈련을 위해 SKU-110k 데이터 세트를 어떻게 구성합니까?

SKU-110k 데이터 세트 구성은 YAML 파일에 정의되어 있으며, 여기에는 데이터 세트의 경로, 클래스 및 기타 관련 정보에 대한 세부 정보가 포함되어 있습니다. SKU-110K.yaml 파일은 다음 위치에서 관리됩니다. SKU-110K.yaml. 예를 들어, 다음에서 볼 수 있듯이 이 구성을 사용하여 모델을 훈련할 수 있습니다. 사용법 섹션에서 확인할 수 있습니다.

딥러닝 환경에서 SKU-110k 데이터 세트의 주요 특징은 무엇입니까?

SKU-110k 데이터 세트는 전 세계 상점 선반 이미지를 특징으로 하며 객체 감지기에 상당한 어려움을 주는 빽빽하게 채워진 객체를 보여줍니다.

• 110,000개 이상의 고유한 SKU 카테고리
• 다양한 객체 모양
• 어노테이션에는 경계 상자 및 SKU 범주 레이블이 포함됩니다.

이러한 기능은 SKU-110k 데이터 세트를 객체 감지 작업에서 딥 러닝 모델을 학습하고 평가하는 데 특히 유용하게 만듭니다. 자세한 내용은 주요 기능 섹션을 참조하십시오.

SKU-110k 데이터 세트를 어떻게 인용합니까?

연구 또는 개발 작업에 SKU-110k 데이터 세트를 사용하는 경우 다음 논문을 인용해 주십시오:

@inproceedings{goldman2019dense,
  author    = {Eran Goldman and Roei Herzig and Aviv Eisenschtat and Jacob Goldberger and Tal Hassner},
  title     = {Precise Detection in Densely Packed Scenes},
  booktitle = {Proc. Conf. Comput. Vision Pattern Recognition (CVPR)},
  year      = {2019}
}

데이터세트에 대한 자세한 내용은 인용 및 감사의 말씀 섹션에서 확인할 수 있습니다.

5; 2 년 전에 생성됨 ✏️ 7 전에 업데이트됨

댓글