Overslaan naar inhoud

Roboflow Universum pakket segmentatie dataset

De Roboflow Package Segmentation Dataset is een samengestelde verzameling afbeeldingen die speciaal is gemaakt voor taken op het gebied van segmentatie van verpakkingen in het vakgebied computervisie. Deze dataset is ontworpen om onderzoekers, ontwikkelaars en enthousiastelingen te helpen die werken aan projecten met betrekking tot het identificeren, sorteren en verwerken van pakketten.

De dataset bevat een gevarieerde set afbeeldingen van verschillende verpakkingen in verschillende contexten en omgevingen en is een waardevolle bron voor het trainen en evalueren van segmentatiemodellen. Of je je nu bezighoudt met logistiek, magazijnautomatisering of andere toepassingen die een nauwkeurige analyse van verpakkingen vereisen, de Package Segmentation Dataset biedt een gerichte en uitgebreide set afbeeldingen om de prestaties van je computervisie-algoritmen te verbeteren.

Structuur dataset

De verdeling van gegevens in de Package Segmentation Dataset is als volgt opgebouwd:

  • Trainingsset: Omvat 1920 afbeeldingen met de bijbehorende annotaties.
  • Testset: Bestaat uit 89 afbeeldingen, elk gekoppeld aan de bijbehorende annotaties.
  • Validatieset: Bestaat uit 188 afbeeldingen, elk met bijbehorende annotaties.

Toepassingen

Segmentatie van verpakkingen, mogelijk gemaakt door de Package Segmentation Dataset, is van cruciaal belang voor het optimaliseren van logistiek, het verbeteren van last-mile delivery, het verbeteren van kwaliteitscontrole bij productie en het bijdragen aan smart city oplossingen. Van e-commerce tot beveiligingstoepassingen, deze dataset is een belangrijke bron die innovatie in computervisie stimuleert voor diverse en efficiënte toepassingen voor pakketanalyse.

Dataset YAML

Een YAML (Yet Another Markup Language) bestand wordt gebruikt om de configuratie van de dataset te definiëren. Het bevat informatie over de paden, klassen en andere relevante informatie van de dataset. In het geval van de pakketsegmentatie dataset is de package-seg.yaml bestand wordt onderhouden op https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml.

ultralytics/cfg/datasets/pakket-seg.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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 (102 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: ../datasets/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: test/images # 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

Gebruik

Om Ultralytics YOLOv8n model te trainen op de Package Segmentation dataset voor 100 epochs met een afbeeldingsgrootte van 640, kun je de volgende codefragmenten gebruiken. Raadpleeg de pagina Model Training voor een uitgebreide lijst met beschikbare argumenten.

Voorbeeld trein

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=package-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Voorbeeldgegevens en annotaties

De pakketsegmentatie dataset bestaat uit een gevarieerde verzameling afbeeldingen en video's die vanuit meerdere perspectieven zijn vastgelegd. Hieronder staan voorbeelden van gegevens uit de dataset, vergezeld van hun respectievelijke annotaties:

Voorbeeldafbeelding dataset

  • Deze afbeelding toont een voorbeeld van beeldobjectdetectie, met geannoteerde bounding boxes met maskers die herkende objecten omlijnen. De dataset bevat een gevarieerde verzameling afbeeldingen van verschillende locaties, omgevingen en dichtheden. Het dient als een uitgebreide bron voor het ontwikkelen van specifieke modellen voor deze taak.
  • Het voorbeeld benadrukt de diversiteit en complexiteit van de VisDrone dataset en onderstreept het belang van hoogwaardige sensorgegevens voor computervisietaken met drones.

Citaten en erkenningen

Als je de scheursegmentatiedataset integreert in je onderzoeks- of ontwikkelingsinitiatieven, citeer dan het volgende artikel:

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

We bedanken het Roboflow team voor hun inspanningen bij het maken en onderhouden van de Package Segmentation dataset, een waardevolle aanwinst voor logistieke en onderzoeksprojecten. Ga voor meer informatie over de Package Segmentation dataset en de makers ervan naar de Package Segmentation Dataset Pagina.

FAQ

Wat is de Roboflow Package Segmentation Dataset en hoe kan deze helpen bij computer vision projecten?

De Roboflow Package Segmentation Dataset is een samengestelde verzameling afbeeldingen op maat gemaakt voor segmentatietaken van pakketten. Het bevat diverse afbeeldingen van verpakkingen in verschillende contexten, waardoor het van onschatbare waarde is voor het trainen en evalueren van segmentatiemodellen. Deze dataset is bijzonder nuttig voor toepassingen in de logistiek, magazijnautomatisering en elk project dat een nauwkeurige analyse van pakketten vereist. Het helpt bij het optimaliseren van logistiek en het verbeteren van visiemodellen voor nauwkeurige pakketidentificatie en sorteren.

Hoe train ik een Ultralytics YOLOv8 model op de Package Segmentation Dataset?

Je kunt een Ultralytics YOLOv8n model trainen met zowel Python als CLI methoden. Gebruik voor Python het onderstaande fragment:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model

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

Voor CLI:

# Start training from a pretrained *.pt model
yolo segment train data=package-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Raadpleeg de pagina Model Training voor meer informatie.

Wat zijn de onderdelen van de Package Segmentation Dataset en hoe is deze opgebouwd?

De dataset bestaat uit drie hoofdcomponenten: - Trainingsset: Bevat 1920 afbeeldingen met annotaties. - Testset: Bestaat uit 89 afbeeldingen met bijbehorende annotaties. - Validatieset: Bevat 188 afbeeldingen met annotaties.

Deze structuur zorgt voor een evenwichtige dataset voor grondige modeltraining, validatie en testen, waardoor de prestaties van segmentatiealgoritmen verbeteren.

Waarom zou ik Ultralytics YOLOv8 gebruiken met de Package Segmentation Dataset?

Ultralytics YOLOv8 biedt ultramoderne nauwkeurigheid en snelheid voor realtime objectdetectie en segmentatietaken. Door het te gebruiken met de Package Segmentation Dataset kun je de mogelijkheden van YOLOv8 benutten voor nauwkeurige segmentatie van verpakkingen. Deze combinatie is vooral gunstig voor sectoren als logistiek en magazijnautomatisering, waar nauwkeurige pakketidentificatie van cruciaal belang is. Kijk voor meer informatie op onze pagina over YOLOv8 segmentatie.

Hoe krijg ik toegang tot en gebruik ik het bestand package-seg.yaml voor de Package Segmentation Dataset?

De package-seg.yaml bestand wordt gehost op Ultralytics' GitHub repository en bevat essentiële informatie over de paden, klassen en configuratie van de dataset. Je kunt het downloaden van hier. Dit bestand is cruciaal voor het configureren van je modellen om de dataset efficiënt te gebruiken.

Kijk voor meer inzichten en praktische voorbeelden in onze sectie Gebruik.



Gemaakt op 2024-01-25, Bijgewerkt op 2024-07-04
Auteurs: glenn-jocher (4), RizwanMunawar (1)

Reacties