Meet YOLO26: next-gen vision AI.

Link to this sectionSKU-110k 데이터셋#

SKU-110k 데이터셋은 객체 탐지 작업을 지원하기 위해 설계된 밀집된 소매점 진열대 이미지 모음입니다. Eran Goldman 등이 개발한 이 데이터셋은 서로 비슷하거나 동일한 객체들이 촘촘하게 배치된 110,000개 이상의 고유한 재고 관리 단위(SKU) 카테고리를 포함하고 있습니다.



Watch: How to Train YOLOv10 on SKU-110k Dataset using Ultralytics | Retail Dataset

SKU-110K 데이터셋 밀집된 소매점 진열대 탐지

Link to this section주요 특징#

  • SKU-110k는 전 세계 소매점 진열대 이미지들을 포함하고 있으며, 최첨단 객체 탐지기에 도전 과제를 제시하는 밀집된 객체들을 특징으로 합니다.
  • 이 데이터셋은 110,000개 이상의 고유한 SKU 카테고리를 포함하여 다양한 객체 외형을 제공합니다.
  • 주석(Annotation)에는 객체에 대한 경계 상자(BBox)와 SKU 카테고리 라벨이 포함되어 있습니다.

Link to this section데이터셋 구조#

SKU-110k 데이터셋은 크게 세 가지 하위 집합으로 구성됩니다:

  1. 훈련 세트(Training set): 이 하위 집합은 객체 탐지 모델을 훈련하는 데 사용되는 8,219개의 이미지와 주석을 포함합니다.
  2. 검증 세트(Validation set): 이 하위 집합은 훈련 중 모델 검증에 사용되는 588개의 이미지와 주석으로 구성됩니다.
  3. 테스트 세트(Test set): 이 하위 집합은 훈련된 객체 탐지 모델의 최종 평가를 위해 설계된 2,936개의 이미지를 포함합니다.

Link to this section응용 분야#

SKU-110k 데이터셋은 소매점 진열대 디스플레이와 같이 밀집된 장면에서 객체 탐지 작업을 위한 딥러닝 모델을 훈련하고 평가하는 데 널리 사용됩니다. 주요 적용 분야는 다음과 같습니다:

  • 소매 재고 관리 및 자동화
  • 전자상거래 플랫폼에서의 제품 인식
  • 매장 진열 계획(Planogram) 준수 확인
  • 매장 내 셀프 체크아웃 시스템
  • 창고 내 로봇 피킹 및 분류

데이터셋의 다양한 SKU 카테고리와 밀집된 객체 배열은 컴퓨터 비전 분야의 연구자와 실무자들에게 귀중한 자원이 됩니다.

Link to this section데이터셋 YAML#

YAML 파일은 데이터셋 구성을 정의하는 데 사용됩니다. 여기에는 데이터셋 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. SKU-110K 데이터셋의 경우, SKU-110K.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/SKU-110K.yaml에 유지 관리되고 있습니다.

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

Link to this section사용법#

SKU-110K 데이터셋에서 640 이미지 크기로 100 에폭 동안 YOLO26n 모델을 훈련하려면 다음 코드 조각을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 훈련 페이지를 참조하십시오.

훈련 예제
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)

Link to this section샘플 데이터 및 주석#

SKU-110k 데이터셋은 밀집된 객체가 포함된 다양한 소매점 진열대 이미지를 포함하고 있어 객체 탐지 작업에 풍부한 컨텍스트를 제공합니다. 다음은 데이터셋에 포함된 데이터와 해당 주석의 몇 가지 예시입니다:

SKU-110K 소매 제품 탐지

  • 밀집된 소매점 진열대 이미지: 이 이미지는 소매점 진열대 환경에서 객체가 밀집된 사례를 보여줍니다. 객체에는 경계 상자(BBox)와 SKU 카테고리 라벨이 주석으로 달려 있습니다.

이 예시는 SKU-110k 데이터셋 데이터의 다양성과 복잡성을 보여주며, 객체 탐지 작업을 위한 고품질 데이터의 중요성을 강조합니다. 제품의 밀집된 배열은 탐지 알고리즘에 고유한 어려움을 제시하며, 이를 통해 본 데이터셋은 강력한 소매점 중심 컴퓨터 비전 솔루션을 개발하는 데 특히 유용합니다.

Link to this section인용 및 감사의 글#

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

인용
@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}
}

SKU-110k 데이터셋을 구축하고 유지 관리하여 컴퓨터 비전 연구 커뮤니티에 귀중한 자원을 제공한 Eran Goldman 등에게 감사를 표합니다. SKU-110k 데이터셋과 제작자에 대한 자세한 내용은 SKU-110k 데이터셋 GitHub 저장소를 방문하십시오.

Link to this sectionFAQ#

Link to this sectionSKU-110k 데이터셋이란 무엇이며 객체 탐지에서 왜 중요한가요?#

SKU-110k 데이터셋은 객체 탐지 작업 연구를 지원하기 위해 설계된 밀집된 소매점 진열대 이미지로 구성됩니다. Eran Goldman 등이 개발했으며, 110,000개 이상의 고유한 SKU 카테고리를 포함합니다. 이 데이터셋의 중요성은 다양한 객체 외형과 근접성으로 최첨단 객체 탐지기에 도전 과제를 제시하여 컴퓨터 비전 연구자 및 실무자들에게 매우 귀중한 자원이 된다는 점에 있습니다. 데이터셋의 구조와 응용 분야에 대한 자세한 내용은 SKU-110k 데이터셋 섹션을 참조하십시오.

Link to this sectionSKU-110k 데이터셋을 사용하여 YOLO26 모델을 어떻게 훈련합니까?#

SKU-110k 데이터셋에서 YOLO26 모델을 훈련하는 방법은 간단합니다. 640 이미지 크기로 100 에폭 동안 YOLO26n 모델을 훈련하는 예시는 다음과 같습니다:

훈련 예제
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)

사용 가능한 인수에 대한 자세한 목록은 모델 학습(Training) 페이지를 참조하십시오.

Link to this sectionSKU-110k 데이터셋의 주요 하위 집합은 무엇인가요?#

SKU-110k 데이터셋은 크게 세 가지 하위 집합으로 구성됩니다:

  1. 훈련 세트: 객체 탐지 모델을 훈련하는 데 사용되는 8,219개의 이미지와 주석을 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 데이터셋 구조 섹션을 참조하십시오.

Link to this section훈련을 위해 SKU-110k 데이터셋을 어떻게 구성합니까?#

SKU-110k 데이터셋 구성은 데이터셋 경로, 클래스 및 기타 관련 정보가 포함된 YAML 파일로 정의됩니다. SKU-110K.yaml 파일은 SKU-110K.yaml에 유지 관리됩니다. 예를 들어, 사용법 섹션에 표시된 것처럼 이 구성을 사용하여 모델을 훈련할 수 있습니다.

Link to this section딥러닝 관점에서 SKU-110k 데이터셋의 주요 특징은 무엇인가요?#

SKU-110k 데이터셋은 전 세계 소매점 진열대 이미지를 포함하며, 객체 탐지기에 상당한 어려움을 주는 밀집된 객체들을 특징으로 합니다:

  • 110,000개 이상의 고유한 SKU 카테고리
  • 다양한 객체 외형
  • 경계 상자(BBox) 및 SKU 카테고리 라벨 포함

이러한 특징들로 인해 SKU-110k 데이터셋은 객체 탐지 작업에서 딥러닝 모델을 훈련하고 평가하는 데 특히 유용합니다. 자세한 내용은 주요 특징 섹션을 참조하십시오.

Link to this section연구에서 SKU-110k 데이터셋을 어떻게 인용합니까?#

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

인용
@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}
}

데이터셋에 대한 더 많은 정보는 인용 및 감사의 글 섹션에서 확인할 수 있습니다.

기여자
GLglenn-jocher13RIRizwanMunawar3MAMatthewNoyce1

댓글