Package Segmentation Dataset

Package Segmentation Dataset은 컴퓨터 비전 분야 내 패키지 세그멘테이션 관련 작업을 위해 특별히 선별된 이미지 컬렉션입니다. 이 데이터셋은 주로 이미지 세그멘테이션 작업에 중점을 두고 패키지 식별, 분류 및 취급 관련 프로젝트를 진행하는 연구자, 개발자 및 애호가를 지원하기 위해 설계되었습니다.

Watch: Train Package Segmentation Model using Ultralytics YOLO26 | Industrial Packages 🎉

다양한 맥락과 환경에서 여러 패키지를 보여주는 방대한 이미지 세트를 포함하는 이 데이터셋은 세그멘테이션 모델을 훈련하고 평가하는 데 귀중한 자원으로 활용됩니다. 물류, 창고 자동화 또는 정밀한 패키지 분석이 필요한 모든 응용 분야에서 작업 중이라면, Package Segmentation Dataset은 컴퓨터 비전 알고리즘의 성능을 향상할 수 있는 목표 지향적이고 포괄적인 이미지 세트를 제공합니다. 세그멘테이션 작업을 위한 더 많은 데이터셋은 당사의 데이터셋 개요 페이지에서 확인하십시오.

데이터셋 구조

Package Segmentation Dataset의 데이터 구성은 다음과 같습니다:

Training set: 해당하는 어노테이션이 포함된 1920개의 이미지로 구성됩니다.
Testing set: 각각 해당하는 어노테이션과 쌍을 이루는 89개의 이미지로 구성됩니다.
Validation set: 각각 해당하는 어노테이션이 포함된 188개의 이미지로 구성됩니다.

응용 분야

Package Segmentation Dataset을 통해 원활해진 패키지 세그멘테이션은 물류 최적화, 라스트 마일 배송 강화, 제조 품질 관리 개선 및 스마트 시티 솔루션 기여에 매우 중요합니다. 전자 상거래부터 보안 응용 분야까지, 이 데이터셋은 다양하고 효율적인 패키지 분석 응용 분야를 위한 컴퓨터 비전 혁신을 촉진하는 핵심 자원입니다.

스마트 창고 및 물류

현대 창고에서 비전 AI 솔루션은 패키지 식별 및 분류를 자동화하여 운영을 간소화할 수 있습니다. 이 데이터셋으로 훈련된 컴퓨터 비전 모델은 어두운 조명이나 복잡한 공간과 같은 까다로운 환경에서도 실시간으로 패키지를 신속하게 감지하고 세그멘테이션할 수 있습니다. 이는 처리 시간 단축, 오류 감소 및 물류 운영 전반의 효율성 향상으로 이어집니다.

품질 관리 및 손상 감지

패키지 세그멘테이션 모델을 사용하여 패키지의 모양과 외관을 분석함으로써 손상된 패키지를 식별할 수 있습니다. 모델은 패키지 외곽선의 불규칙성이나 변형을 감지하여 온전한 패키지만 공급망을 통과하도록 보장함으로써 고객 불만 및 반품률을 줄이는 데 기여합니다. 이는 제조 품질 관리의 핵심 요소이며 제품 무결성을 유지하는 데 필수적입니다.

데이터셋 YAML

YAML (Yet Another Markup Language) 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.yaml에서 관리됩니다.

ultralytics/cfg/datasets/package-seg.yaml

# 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') 89 images
test: images/test # test images (relative to 'path') 188 images

# Classes
names:
  0: package

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

사용법

To train an Ultralytics YOLO26n model on the Package Segmentation dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

학습 예제

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained segmentation model (recommended for training)

# Train the model on the Package Segmentation dataset
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)

# Validate the model
results = model.val()

# Perform inference on an image
results = model("path/to/image.jpg")

샘플 데이터 및 주석

Package Segmentation 데이터셋은 여러 관점에서 촬영된 다양한 이미지 컬렉션으로 구성되어 있습니다. 다음은 데이터셋의 데이터 예시와 그에 해당하는 세그멘테이션 마스크입니다:

Package segmentation dataset sample for logistics

이 이미지는 인식된 패키지 객체의 윤곽을 그리는 어노테이션 마스크가 포함된 패키지 세그멘테이션 사례를 보여줍니다. 데이터셋은 다양한 위치, 환경 및 밀도에서 촬영된 다양한 이미지 컬렉션을 통합합니다. 이는 이 세그멘테이션 작업에 특화된 모델을 개발하기 위한 포괄적인 리소스 역할을 합니다.
이 예시는 데이터셋에 존재하는 다양성과 복잡성을 강조하며, 패키지 세그멘테이션이 포함된 컴퓨터 비전 작업을 위해 고품질 데이터의 중요성을 역설합니다.

패키지 세그멘테이션에 YOLO26을 사용하는 이점

Ultralytics YOLO26은 패키지 세그멘테이션 작업에 여러 가지 이점을 제공합니다:

속도 및 정확도 균형: YOLO26은 높은 정밀도와 효율성을 달성하여 빠르게 변화하는 물류 환경에서의 실시간 추론에 이상적입니다. YOLOv8과 같은 모델에 비해 강력한 균형을 제공합니다.
적응성: YOLO26으로 훈련된 모델은 희미한 조명부터 복잡한 공간까지 다양한 창고 조건에 적응할 수 있어 강력한 성능을 보장합니다.
확장성: 명절 등 성수기 동안 YOLO26 모델은 성능이나 정확도를 저하시키지 않으면서 증가하는 패키지 물량을 효율적으로 처리하도록 확장할 수 있습니다.
통합 기능: YOLO26은 기존 창고 관리 시스템과 쉽게 통합될 수 있으며 ONNX 또는 TensorRT와 같은 형식을 사용하여 다양한 플랫폼에 배포할 수 있어 엔드 투 엔드 자동화 솔루션을 촉진합니다.

인용 및 감사의 글

연구 또는 개발 이니셔티브에 Package Segmentation 데이터셋을 통합하는 경우, 출처를 적절히 인용해 주십시오:

인용

@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 제작자분들께 감사드립니다. 데이터셋 및 모델 훈련에 대해 더 자세히 알아보려면 당사의 Ultralytics Datasets 페이지와 모델 훈련 팁 가이드를 방문해 보시기 바랍니다.

FAQ