Link to this section패키지 세그멘테이션 데이터셋#

패키지 세그멘테이션 데이터셋은 컴퓨터 비전 분야 내 패키지 세그멘테이션 관련 작업을 위해 특별히 제작된 이미지 모음입니다. 이 데이터셋은 패키지 식별, 분류 및 취급 관련 프로젝트를 진행하는 연구자, 개발자 및 엔지니어를 지원하며, 주로 이미지 세그멘테이션 작업에 중점을 둡니다.

다양한 환경과 상황의 패키지를 보여주는 폭넓은 이미지 세트를 포함하고 있어, 세그멘테이션 모델을 학습하고 평가하는 데 유용한 리소스로 활용됩니다. 물류, 창고 자동화 또는 정밀한 패키지 분석이 필요한 모든 애플리케이션에서 패키지 세그멘테이션 데이터셋은 컴퓨터 비전 알고리즘의 성능을 향상시키기 위한 목적 지향적이고 포괄적인 이미지 세트를 제공합니다. 세그멘테이션 작업을 위한 더 많은 데이터셋은 데이터셋 개요 페이지에서 확인하십시오.

Link to this section데이터셋 구조#

패키지 세그멘테이션 데이터셋의 데이터 구성은 다음과 같습니다:

• 학습 세트(Training set): 주석(annotation)이 포함된 1920개의 이미지로 구성됩니다.
• 테스트 세트(Testing set): 각각 주석이 포함된 188개의 이미지로 구성됩니다.
• 검증 세트(Validation set): 각각 주석이 포함된 89개의 이미지로 구성됩니다.

Link to this section응용 분야#

패키지 세그멘테이션 데이터셋을 통한 패키지 세그멘테이션은 물류 최적화, 라스트 마일 배송 강화, 제조 품질 관리 개선 및 스마트 시티 솔루션 기여에 매우 중요합니다. 전자 상거래부터 보안 애플리케이션에 이르기까지 이 데이터셋은 다양한 분야에서 효율적인 패키지 분석을 위한 컴퓨터 비전 혁신을 촉진하는 핵심 리소스입니다.

Link to this section스마트 창고 및 물류#

현대적 창고에서는 비전 AI 솔루션을 사용하여 패키지 식별 및 분류를 자동화함으로써 운영을 능률화할 수 있습니다. 이 데이터셋으로 학습된 컴퓨터 비전 모델은 어두운 조명이나 복잡한 환경에서도 실시간으로 패키지를 신속하게 감지하고 세그멘테이션할 수 있습니다. 이는 물류 운영에서 처리 시간 단축, 오류 감소 및 전반적인 효율성 향상으로 이어집니다.

Link to this section품질 관리 및 손상 감지#

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

Link to this section데이터셋 YAML#

YAML(Yet Another Markup Language) 파일은 경로, 클래스 및 기타 필수 세부 정보를 포함한 데이터셋 구성을 정의합니다. 패키지 세그멘테이션 데이터셋의 경우 package-seg.yaml 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml에서 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') 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

Link to this section사용법#

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.

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")

Link to this section샘플 데이터 및 주석#

패키지 세그멘테이션 데이터셋은 다양한 관점에서 촬영된 이미지 모음을 포함합니다. 다음은 데이터셋의 데이터 인스턴스와 해당 세그멘테이션 마스크 예시입니다:

• 이 이미지는 인식된 패키지 객체를 윤곽선으로 나타내는 주석 마스크가 포함된 패키지 세그멘테이션 사례를 보여줍니다. 이 데이터셋은 다양한 위치, 환경 및 밀도에서 촬영된 이미지 모음을 통합하고 있습니다. 이는 특정 세그멘테이션 작업을 위한 모델 개발에 포괄적인 리소스로 사용됩니다.
• 이 예시는 데이터셋에 존재하는 다양성과 복잡성을 강조하며, 패키지 세그멘테이션과 관련된 컴퓨터 비전 작업에서 고품질 데이터의 중요성을 강조합니다.

Link to this section패키지 세그멘테이션을 위해 YOLO26을 사용하는 이점#

Ultralytics YOLO26은 패키지 세그멘테이션 작업에 여러 가지 이점을 제공합니다:

1. 속도와 정확도의 균형: YOLO26은 높은 정밀도와 효율성을 달성하여 빠른 물류 환경에서의 실시간 추론에 이상적입니다. YOLOv8과 같은 모델과 비교하여 강력한 균형을 제공합니다.

2. 적응성: YOLO26으로 학습된 모델은 어두운 조명부터 복잡한 공간까지 다양한 창고 조건에 적응할 수 있어 강력한 성능을 보장합니다.

3. 확장성: 명절 시즌과 같은 피크 기간 동안 YOLO26 모델은 성능이나 정확도 저하 없이 증가하는 패키지 물량을 처리하도록 효율적으로 확장될 수 있습니다.

4. 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 원활하게 구축할 수 있습니다.

Link to this section인용 및 감사의 글#

패키지 세그멘테이션 데이터셋을 연구 또는 개발 이니셔티브에 통합하는 경우 적절하게 출처를 표기해 주십시오:

@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 패키지 세그멘테이션 데이터셋 제작자분들께 감사를 표합니다. 데이터셋 및 모델 학습에 대한 추가 탐색을 원하시면 Ultralytics 데이터셋 페이지와 모델 학습 팁 가이드를 방문해 보시기 바랍니다.

Link to this sectionFAQ#

Link to this section패키지 세그멘테이션 데이터셋이란 무엇이며 컴퓨터 비전 프로젝트에 어떻게 도움이 될 수 있습니까?#

• 패키지 세그멘테이션 데이터셋은 패키지 이미지 세그멘테이션 작업과 관련된 이미지를 선별한 모음입니다. 다양한 맥락의 패키지 이미지들을 포함하고 있어 세그멘테이션 모델을 학습하고 평가하는 데 매우 귀중한 자료입니다. 이 데이터셋은 물류, 창고 자동화 및 정밀한 패키지 분석이 필요한 모든 프로젝트의 애플리케이션에 특히 유용합니다.

Link to this section패키지 세그멘테이션 데이터셋으로 Ultralytics YOLO26 모델을 학습하려면 어떻게 해야 합니까?#

• Python 및 CLI 방법을 모두 사용하여 Ultralytics YOLO26 모델을 학습할 수 있습니다. 사용법(#usage) 섹션에 제공된 코드 조각을 사용하십시오. 인수 및 구성에 대한 자세한 내용은 모델 학습 페이지를 참조하십시오.

Link to this section패키지 세그멘테이션 데이터셋의 구성 요소는 무엇이며 어떻게 구조화되어 있습니까?#

• 데이터셋은 세 가지 주요 구성 요소로 구조화되어 있습니다:
  • 학습 세트(Training set): 주석이 포함된 1920개의 이미지입니다.
  • 테스트 세트(Testing set): 주석이 포함된 188개의 이미지입니다.
  • 검증 세트(Validation set): 주석이 포함된 89개의 이미지입니다.
• 이 구조는 모델 평가 가이드에 명시된 모범 사례를 따라 철저한 모델 학습, 검증 및 테스트를 위한 균형 잡힌 데이터셋을 보장합니다.

Link to this section패키지 세그멘테이션 데이터셋에 Ultralytics YOLO26을 사용해야 하는 이유는 무엇입니까?#

• Ultralytics YOLO26 provides state-of-the-art accuracy and speed for real-time object detection and segmentation tasks. Using it with the Package Segmentation Dataset allows you to leverage YOLO26's capabilities for precise package segmentation, which is especially beneficial for industries like logistics and warehouse automation.

Link to this section패키지 세그멘테이션 데이터셋용 package-seg.yaml 파일에 어떻게 액세스하고 사용할 수 있습니까?#

• package-seg.yaml 파일은 Ultralytics의 GitHub 리포지토리에 호스팅되어 있으며 데이터셋의 경로, 클래스 및 구성에 대한 필수 정보를 담고 있습니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml에서 확인하거나 다운로드할 수 있습니다. 이 파일은 데이터셋을 효율적으로 활용하도록 모델을 구성하는 데 중요합니다. 더 많은 통찰력과 실용적인 예제는 Python 사용법 섹션을 확인하십시오.