SKU-110k 데이터 세트

Q: What are the main subsets of the SKU-110k dataset?

SKU-110k 데이터 세트는 세 가지 주요 하위 세트로 구성됩니다. 자세한 내용은 데이터 세트 구조 섹션을 참조하십시오.

Q: How do I cite the SKU-110k dataset in my research?

연구 또는 개발 작업에 SKU-110k 데이터 세트를 사용하는 경우 다음 논문을 인용해 주십시오: 데이터 세트에 대한 자세한 내용은 인용 및 감사의 말 섹션에서 확인할 수 있습니다.

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 데이터 세트에서 YOLOv10을 훈련하는 방법 | 소매 데이터 세트

데이터 세트 샘플 이미지

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.

학습 데이터 세트: 이 하위 세트는 객체 감지 모델 학습에 사용되는 8,219개의 이미지와 어노테이션을 포함합니다.
검증 세트: 이 하위 세트는 훈련 중 모델 검증에 사용되는 588개의 이미지와 주석으로 구성됩니다.
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/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

이미지 크기가 640인 SKU-110K 데이터 세트에서 YOLO11n 모델을 100 epochs 동안 훈련하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 훈련 페이지를 참조하세요.

훈련 예제

PythonCLI

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 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.

데이터 세트 샘플 이미지

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:

BibTeX

@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 데이터 세트를 사용하여 YOLO11 모델을 어떻게 학습시키나요?

SKU-110k 데이터 세트에서 YOLO11 모델을 학습하는 것은 간단합니다. 다음은 이미지 크기가 640인 YOLO11n 모델을 100 epoch 동안 학습하는 예제입니다.

훈련 예제

PythonCLI

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 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.

학습 데이터 세트: 객체 감지 모델 학습에 사용되는 8,219개의 이미지와 어노테이션을 포함합니다.
검증 세트: 훈련 중 모델 검증에 사용되는 588개의 이미지와 주석으로 구성됩니다.
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?