Conjunto de dados SKU-110K#

11,743

SKU-110K

ultralytics

publicDetect

SKU-110K is Trax Retail's densely packed shelf-product benchmark, with over 1.7 million boxes in one generic object class. It targets extreme object density, small products, overlap, and repetitive packaging for retail shelf detection, counting, and inventory analysis.

1 class17.2 GBSep 2, 2026

object

object-detectionsku110kretail+1

O conjunto de dados SKU-110K é um conjunto de dados de deteção de objetos de classe única, com 11 743 imagens de prateleiras de lojas com produtos densamente agrupados, dividido em 8 219 imagens de treino, 588 de validação e 2 936 de teste. Cada produto é anotado com uma caixa delimitadora numa única classe, object — o nome refere-se às mais de 110 000 unidades de manutenção de estoque (SKUs) únicas retratadas nas cenas, não a 110 000 classes de deteção. Criado por Eran Goldman et al. para o artigo da CVPR 2019 Precise Detection in Densely Packed Scenes, contém mais de 1,7 milhões de produtos anotados — uma média de cerca de 147 por imagem —, o que o torna uma referência exigente para modelos de visão computacional em ambientes de retalho com grande concentração de produtos.

Principais funcionalidades#

• Deteção de classe única: Cada produto é identificado com uma caixa delimitadora numa única classe, object (names: {0: object}) — as anotações não incluem rótulos de categoria por SKU.
• Densidade extrema de objetos: As imagens de prateleiras de lojas de todo o mundo contêm, em média, cerca de 147 produtos muito próximos uns dos outros, muitas vezes semelhantes ou até idênticos.
• Grande escala: Mais de 110 000 SKUs únicos e mais de 1,7 milhões de caixas delimitadoras anotadas em 11 743 imagens desafiam os detetores de objetos de última geração.

Estrutura do conjunto de dados#

O conjunto de dados SKU-110K está dividido em três subconjuntos, todos com a mesma classe object:

Aplicações#

O conjunto de dados SKU-110K é amplamente utilizado para treinar e avaliar modelos de aprendizagem profunda em tarefas de deteção de objetos, sobretudo em cenas com grande concentração de objetos, como as prateleiras de lojas. Entre as suas aplicações estão:

• Gestão e automatização de inventário no retalho
• Reconhecimento de produtos em plataformas de comércio eletrónico
• Verificação da conformidade com planogramas
• Sistemas de pagamento autónomo em lojas
• Recolha e triagem robóticas em armazéns

Para anotares as tuas próprias imagens de prateleiras, treinares e gerires conjuntos de dados de deteção no retalho no navegador, executa o fluxo de trabalho completo com a Ultralytics Platform.

YAML do conjunto de dados#

O ficheiro SKU-110K.yaml define a configuração do conjunto de dados — os caminhos dos dados, os nomes das classes e outros metadados. É mantido no repositório da Ultralytics em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/SKU-110K.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# SKU-110K retail items dataset https://github.com/eg4000/SKU110K_CVPR19 by Trax Retail
# Documentation: https://docs.ultralytics.com/datasets/detect/sku-110k
# Example usage: yolo train data=SKU-110K.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── SKU-110K ← downloads here (13.6 GB)

# 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: SKU-110K # dataset root dir
train: train.txt # train images (relative to 'path') 8219 images
val: val.txt # val images (relative to 'path') 588 images
test: test.txt # test images (optional) 2936 images

# Classes
names:
  0: object

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  import shutil
  from pathlib import Path

  import numpy as np
  import polars as pl

  from ultralytics.utils import TQDM
  from ultralytics.utils.downloads import download
  from ultralytics.utils.ops import xyxy2xywh

  # Download
  dir = Path(yaml["path"])  # dataset root dir
  parent = Path(dir.parent)  # download dir
  urls = ["http://trax-geometry.s3.amazonaws.com/cvpr_challenge/SKU110K_fixed.tar.gz"]
  download(urls, dir=parent)

  # Rename directories
  if dir.exists():
      shutil.rmtree(dir)
  (parent / "SKU110K_fixed").rename(dir)  # rename dir
  (dir / "labels").mkdir(parents=True, exist_ok=True)  # create labels dir

  # Convert labels
  names = "image", "x1", "y1", "x2", "y2", "class", "image_width", "image_height"  # column names
  for d in "annotations_train.csv", "annotations_val.csv", "annotations_test.csv":
      x = pl.read_csv(dir / "annotations" / d, has_header=False, new_columns=names, infer_schema_length=None).to_numpy()  # annotations
      images, unique_images = x[:, 0], np.unique(x[:, 0])
      with open((dir / d).with_suffix(".txt").__str__().replace("annotations_", ""), "w", encoding="utf-8") as f:
          f.writelines(f"./images/{s}\n" for s in unique_images)
      for im in TQDM(unique_images, desc=f"Converting {dir / d}"):
          cls = 0  # single-class dataset
          with open((dir / "labels" / im).with_suffix(".txt"), "a", encoding="utf-8") as f:
              for r in x[images == im]:
                  w, h = r[6], r[7]  # image width, height
                  xywh = xyxy2xywh(np.array([[r[1] / w, r[2] / h, r[3] / w, r[4] / h]]))[0]  # instance
                  f.write(f"{cls} {xywh[0]:.5f} {xywh[1]:.5f} {xywh[2]:.5f} {xywh[3]:.5f}\n")  # write label

Uso#

Para treinares um modelo YOLO26n no conjunto de dados SKU-110K durante 100 épocas, com um tamanho de imagem de 640, podes usar os seguintes excertos de código. Para consultares a lista completa de argumentos disponíveis, visita a página de Treino do modelo.

from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)

# Treinar o modelo
results = model.train(data="SKU-110K.yaml", epochs=100, imgsz=640)

Dados de exemplo e anotações#

As imagens do SKU-110K mostram produtos densamente agrupados em prateleiras de lojas reais, onde dezenas de artigos quase idênticos estão lado a lado. Aqui está um exemplo de imagem com as respetivas anotações:

• Imagem de uma prateleira de retalho densamente ocupada: Esta imagem mostra um exemplo de objetos densamente agrupados numa prateleira de retalho. Os objetos estão anotados com caixas delimitadoras da única classe object.

A disposição densa dos produtos torna o SKU-110K particularmente valioso para desenvolver soluções robustas de visão computacional orientadas para o retalho, uma vez que a elevada quantidade de objetos por imagem coloca os detetores muito além das referências habituais.

Citações e agradecimentos#

Se utilizares o conjunto de dados SKU-110K na tua investigação ou trabalho de desenvolvimento, cita o artigo seguinte:

@inproceedings{goldman2019dense,
  author    = {Eran Goldman and Roei Herzig and Aviv Eisenschtat and Jacob Goldberger and Tal Hassner},
  title     = {Precise Detection in Densely Packed Scenes},
  booktitle = {Proc. Conf. Comput. Vision Pattern Recognition (CVPR)},
  year      = {2019}
}

Gostaríamos de agradecer a Eran Goldman et al. pela criação e manutenção do conjunto de dados SKU-110K, um recurso valioso para a comunidade de investigação em visão computacional. Para obteres mais informações sobre o conjunto de dados SKU-110K e os seus criadores, visita o repositório GitHub do conjunto de dados SKU-110K.

Perguntas frequentes#