Package Segmentation Dataset
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.
시청: Ultralytics YOLO로 패키지 분할 모델 학습하기 | 산업용 패키지 🎉
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
package클래스입니다. - 다운로드 크기: 약 103MB입니다.
응용 분야#
패키지 세그멘테이션은 물류, 라스트 마일 배송, 제조 품질 관리, 스마트 시티 시스템을 지원하며, 이커머스 주문 처리부터 보안 검색까지 폭넓게 활용됩니다. 정밀한 패키지 마스크를 통해 자동화 시스템은 소포의 위치를 파악하고, 개수를 세고, 실시간으로 검사할 수 있습니다.
스마트 창고 및 물류#
현대적인 창고에서는 비전 AI 솔루션을 활용해 패키지 식별 및 분류를 자동화하고 운영을 간소화할 수 있습니다. 이 데이터셋으로 학습된 컴퓨터 비전 모델은 조명이 어둡거나 공간이 어수선한 까다로운 환경에서도 패키지를 빠르게 감지하고 실시간으로 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.zip사용법#
다음 코드 조각을 사용하면 이미지 크기 640으로 Package Segmentation 데이터셋에서 100 에포크 동안 Ultralytics YOLO26n-seg 모델을 학습할 수 있습니다. 데이터셋(~103 MB)은 처음 사용할 때 자동으로 다운로드됩니다.
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#
Package Segmentation Dataset은 패키지 이미지 2,197개를 주석 처리한 데이터셋으로, 단일
package클래스에 대한 인스턴스 세그멘테이션 모델을 학습하고 평가하는 데 사용됩니다. 패키지 식별, 분류 및 품질 관리와 같은 물류 및 창고 자동화 애플리케이션을 대상으로 하며,package-seg.yaml구성 파일을 통해 Ultralytics YOLO26에서 바로 사용할 수 있습니다.데이터셋은 총 2,197개 이미지로 구성되어 있습니다. 학습용 1,920개, 검증용 188개, 테스트용 89개이며, 모두 단일
package클래스로 주석 처리되어 있습니다. 처음 사용할 때 전체 아카이브가 약 103MB의.zip파일로 자동 다운로드됩니다.YOLO26은 인스턴스 세그멘테이션에서 최첨단 정확도와 실시간 처리 속도를 제공하므로, 자동화 시스템이 조명이 어둡거나 물건이 어수선하게 놓인 창고에서도 패키지를 안정적으로 감지하고 분류할 수 있습니다. 위의 애플리케이션 섹션을 참조하세요. 학습된 모델은 창고 하드웨어 전반에 배포할 수 있도록 ONNX 및 TensorRT와 같은 형식으로 내보낼 수 있습니다.
데이터셋 경로와 단일
package클래스를 정의하는package-seg.yaml파일은 Ultralytics GitHub 저장소의 package-seg.yaml에 있습니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.



