Package Segmentation Dataset#

2,197

Package-Seg

ultralytics

publicSegment

Package-Seg contains polygon masks for packages across indoor, warehouse, and logistics-style scenes, including empty background images. It supports package localization and shape segmentation; no named upstream dataset license is published, so redistribution terms should be reviewed.

1 class149.8 MBSep 2, 2026

package

packagesinstance-segmentationlogistics+1

Ultralytics Package Segmentation Dataset은 패키지 이미지 2,197개를 엄선해 주석 처리한 데이터셋으로, 단일 package 클래스에 대한 인스턴스 세그멘테이션 모델을 학습하는 데 사용됩니다. 패키지 식별, 분류 및 취급과 같은 물류 및 창고 자동화 사용 사례를 위해 구성되었으며, 컴퓨터 비전 파이프라인에서 실시간 패키지 분석을 수행하도록 Ultralytics YOLO와 바로 연동됩니다. 데이터셋 개요 페이지에서 더 많은 세그멘테이션 데이터셋을 살펴보세요.

데이터셋 구조#

Package Segmentation Dataset의 이미지 2,197개는 다음과 같이 분할됩니다:

• 학습 세트: 딥러닝 모델 학습에 사용되는 이미지 1,920개입니다.
• 검증 세트: 학습 중 하이퍼파라미터를 조정하고 과적합을 방지하는 데 사용되는 이미지 188개입니다.
• 테스트 세트: 학습 후 모델 평가를 위해 따로 보관되는 이미지 89개입니다.
• 클래스: 주석 처리된 모든 패키지를 포함하는 단일 package 클래스입니다.
• 다운로드 크기: 약 103MB입니다.

응용 분야#

패키지 세그멘테이션은 물류, 라스트마일 배송, 제조 품질 관리 및 스마트 시티 시스템을 최적화하며, 전자상거래 주문 처리부터 보안 검색까지 다양한 분야에 적용됩니다. 정밀한 패키지 마스크를 사용하면 자동화 시스템이 소포의 위치를 파악하고, 개수를 세고, 실시간으로 검사할 수 있습니다.

스마트 창고 및 물류#

현대적인 창고에서는 비전 AI 솔루션을 통해 패키지 식별 및 분류를 자동화하여 운영을 간소화할 수 있습니다. 이 데이터셋으로 학습한 컴퓨터 비전 모델은 조명이 어둡거나 공간이 어수선한 까다로운 환경에서도 패키지를 빠르게 감지하고 세그멘테이션할 수 있습니다. 이를 통해 처리 시간이 단축되고 오류가 줄어들며 물류 운영의 전반적인 효율성이 향상됩니다.

품질 관리 및 손상 감지#

패키지 세그멘테이션 모델은 모양과 외관을 분석하여 손상된 패키지를 식별할 수 있습니다. 패키지 윤곽의 불규칙성이나 변형을 감지하면 공급망을 통과하는 패키지가 온전한 상태인지 확인할 수 있어 고객 불만과 반품률을 줄이는 데 도움이 됩니다. 이는 제조 품질 관리의 핵심 요소이며 제품의 무결성을 유지하는 데 필수적입니다.

전체 Package Segmentation Dataset은 Ultralytics 플랫폼에서 확인하고 관리할 수도 있습니다.

데이터셋 YAML#

YAML 파일은 경로, 클래스 및 기타 필수 세부 정보를 포함한 데이터셋 구성을 정의합니다. Package Segmentation 데이터셋의 경우 package-seg.yaml 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml에 유지 관리됩니다.

# 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 (103 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: package-seg # dataset root dir
train: images/train # train images (relative to 'path') 1920 images
val: images/val # val images (relative to 'path') 188 images
test: images/test # test images (relative to 'path') 89 images

# Classes
names:
  0: package

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/package-seg.zip

사용법#

Package Segmentation 데이터셋으로 Ultralytics YOLO26n-seg 모델을 이미지 크기 640으로 100 에포크 동안 학습하려면 다음 코드 조각을 사용합니다. 데이터셋(약 103MB)은 처음 사용할 때 자동으로 다운로드됩니다. 사용 가능한 인수를 전체적으로 확인하려면 모델 학습 페이지를 참조하세요.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n-seg.pt")  # 사전 학습된 세그멘테이션 모델 로드(학습에 권장)

# Package Segmentation 데이터셋으로 모델 학습
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)

# 모델을 검증합니다
results = model.val()

# 이미지에 추론 수행
results = model("path/to/image.jpg")

샘플 데이터 및 어노테이션#

아래는 감지된 패키지의 윤곽을 표시하도록 세그멘테이션 마스크를 오버레이한 Package Segmentation Dataset 예시입니다:

데이터셋에는 다양한 위치, 환경 및 패키지 밀도가 포함되어 있으므로, 이 데이터셋으로 학습한 모델은 일반화에 필요한 다양한 실제 물류 장면을 접하게 됩니다. 관련 워크플로는 세그멘테이션 태스크 페이지를 참조하세요.

인용 및 감사의 글#

연구 또는 개발 프로젝트에 Package Segmentation 데이터셋을 통합하는 경우 출처를 적절히 인용해 주세요:

@misc{ factory_package_dataset,
    title = { factory_package Dataset },
    type = { Open Source Dataset },
    author = { factorypackage },
    url = { https://universe.roboflow.com/factorypackage/factory_package },
    year = { 2024 },
    month = { jan },
    note = { visited on 2024-01-24 },
}

컴퓨터 비전 커뮤니티에 기여해 주신 Package Segmentation 데이터셋 제작자 여러분께 감사드립니다. 더 많은 데이터셋은 Ultralytics 데이터셋 모음과 모델 학습 팁 가이드에서 확인하세요.

자주 묻는 질문#