SKU-110k 데이터 세트

SKU-110k 데이터 세트는 조밀하게 포장된 소매점 진열대 이미지 모음으로, 물체 감지 작업의 연구를 지원하도록 설계되었습니다. Eran Goldman 등이 개발한 이 데이터 세트에는 유사하거나 심지어 동일해 보이는 물체가 밀집되어 있고 가까운 곳에 배치된 110,000개 이상의 고유한 SKU(상품 분류 단위) 카테고리가 포함되어 있습니다.

Watch: Ultralytics | 리테일 데이터셋을 사용하여 SKU-110k 데이터셋에서 YOLOv10을 훈련하는 방법

주요 기능

• SKU-110k에는 전 세계의 매장 진열대 이미지가 포함되어 있으며, 최첨단 물체 감지기에 도전할 수 있는 밀집된 물체가 특징입니다.
• 이 데이터 세트에는 110,000개 이상의 고유한 SKU 카테고리가 포함되어 있어 다양한 객체 모양을 제공합니다.
• 주석에는 객체의 경계 상자 및 SKU 카테고리 레이블이 포함됩니다.

데이터 세트 구조

SKU-110k 데이터 세트는 세 가지 주요 하위 집합으로 구성됩니다:

1. 훈련 집합: 이 하위 집합에는 객체 감지 모델 학습에 사용되는 이미지와 주석이 포함되어 있습니다.
2. 유효성 검사 집합: 이 하위 집합은 학습 중 모델 유효성 검사에 사용되는 이미지와 주석으로 구성됩니다.
3. 테스트 세트: 이 하위 집합은 학습된 객체 감지 모델의 최종 평가를 위해 설계되었습니다.

애플리케이션

SKU-110k 데이터 세트는 물체 감지 작업, 특히 소매점 진열대와 같이 밀집된 장면에서 딥러닝 모델을 훈련하고 평가하는 데 널리 사용됩니다. 이 데이터 세트의 다양한 SKU 카테고리와 밀집된 객체 배열은 컴퓨터 비전 분야의 연구자와 실무자에게 유용한 리소스입니다.

데이터 세트 YAML

데이터 세트 구성을 정의하는 데는 YAML(또 다른 마크업 언어) 파일이 사용됩니다. 여기에는 데이터 세트의 경로, 클래스 및 기타 관련 정보에 대한 정보가 포함되어 있습니다. SKU-110K 데이터 세트의 경우, 데이터 세트의 SKU-110K.yaml 파일은 다음 위치에서 유지됩니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/SKU-110K.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 pandas as pd
  from tqdm 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 = pd.read_csv(dir / 'annotations' / d, names=names).values  # annotations
      images, unique_images = x[:, 0], np.unique(x[:, 0])
      with open((dir / d).with_suffix('.txt').__str__().replace('annotations_', ''), 'w') 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') 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

이미지 크기가 640인 100개의 에포크에 대한 SKU-110K 데이터 세트에서 YOLO11n 모델을 훈련하려면 다음 코드 조각을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하세요.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640

샘플 데이터 및 주석

SKU-110k 데이터 세트에는 객체가 밀집된 다양한 소매점 진열대 이미지가 포함되어 있어 객체 감지 작업에 대한 풍부한 컨텍스트를 제공합니다. 다음은 데이터 세트의 데이터 예시 몇 가지와 해당 주석입니다:

• 조밀하게 포장된 소매점 진열대 이미지: 이 이미지는 소매점 진열대 환경에서 조밀하게 포장된 객체의 예를 보여줍니다. 객체에는 경계 상자 및 SKU 카테고리 레이블로 주석을 달았습니다.

이 예는 SKU-110k 데이터 세트에 포함된 데이터의 다양성과 복잡성을 보여주며 물체 감지 작업에서 고품질 데이터의 중요성을 강조합니다.

인용 및 감사

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

@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 등에게 감사의 말씀을 전합니다. SKU-110k 데이터 세트와 제작자에 대한 자세한 내용은 SKU-110k 데이터 세트 GitHub 리포지토리에서 확인할 수 있습니다.

자주 묻는 질문

SKU-110k 데이터 세트는 무엇이며 물체 감지에 중요한 이유는 무엇인가요?

SKU-110k 데이터 세트는 물체 감지 작업의 연구를 돕기 위해 고밀도로 압축된 소매점 진열대 이미지로 구성되어 있습니다. Eran Goldman 등이 개발한 이 데이터 세트에는 110,000개 이상의 고유한 SKU 카테고리가 포함되어 있습니다. 다양한 물체 모양과 근접한 거리에 있는 최첨단 물체 감지기에 도전할 수 있다는 점에서 컴퓨터 비전 분야의 연구자와 실무자에게 귀중한 리소스로 활용될 수 있습니다. 데이터 세트의 구조와 활용에 대한 자세한 내용은 SKU-110k 데이터 세트 섹션에서 확인하세요.

SKU-110k 데이터 세트를 사용하여 YOLO11 모델을 훈련하려면 어떻게 해야 하나요?

SKU-110k 데이터 세트에서 YOLO11 모델을 훈련하는 것은 간단합니다. 다음은 이미지 크기가 640인 100개의 에포크에 대한 YOLO11n 모델을 훈련하는 예제입니다:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640

사용 가능한 인수의 전체 목록은 모델 교육 페이지를 참조하세요.

SKU-110k 데이터 세트의 주요 하위 집합은 무엇인가요?

SKU-110k 데이터 세트는 세 가지 주요 하위 집합으로 구성됩니다:

1. 훈련 세트: 객체 감지 모델 학습에 사용되는 이미지와 주석을 포함합니다.
2. 유효성 검사 세트: 학습 중 모델 유효성 검사에 사용되는 이미지와 주석으로 구성됩니다.
3. 테스트 세트: 학습된 객체 감지 모델의 최종 평가를 위해 설계되었습니다.

자세한 내용은 데이터 세트 구조 섹션을 참조하세요.

교육을 위해 SKU-110k 데이터셋을 구성하려면 어떻게 해야 하나요?

SKU-110k 데이터 세트 구성은 데이터 세트의 경로, 클래스 및 기타 관련 정보에 대한 세부 정보가 포함된 YAML 파일에 정의되어 있습니다. 데이터 세트의 SKU-110K.yaml 파일은 다음 위치에서 유지됩니다. SKU-110K.yaml. 예를 들어, 다음과 같이 이 구성을 사용하여 모델을 훈련할 수 있습니다. 사용법 섹션으로 이동합니다.

딥러닝의 맥락에서 SKU-110k 데이터 세트의 주요 특징은 무엇인가요?

SKU-110k 데이터 세트에는 전 세계의 매장 진열대 이미지가 포함되어 있으며, 물체 감지기에 상당한 문제를 야기하는 밀집된 물체를 보여줍니다:

• 110,000개 이상의 고유 SKU 카테고리
• 다양한 개체 모양
• 주석에는 경계 상자 및 SKU 카테고리 레이블이 포함됩니다.

이러한 기능 덕분에 SKU-110k 데이터 세트는 물체 감지 작업에서 딥러닝 모델을 훈련하고 평가하는 데 특히 유용합니다. 자세한 내용은 주요 기능 섹션을 참조하세요.

내 연구에서 SKU-110k 데이터셋을 인용하려면 어떻게 해야 하나요?

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

@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}
}

데이터 집합에 대한 자세한 내용은 인용 및 감사 섹션에서 확인할 수 있습니다.

📅1 년 전 생성됨 ✏️ 2개월 전 업데이트됨

댓글