Dataset 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 dataset SKU-110K é um dataset de deteção de objetos de classe única, composto por 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 única caixa delimitadora sob uma classe única, object — o nome refere-se às mais de 110 000 unidades de manutenção de stock (SKUs) únicas representadas 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 aproximadamente 147 por imagem — o que o torna um benchmark exigente para modelos de visão computacional em ambientes de retalho congestionados.

Principais funcionalidades#

• Deteção de classe única: Cada produto é identificado com uma caixa delimitadora sob uma classe única, object (names: {0: object}) — as anotações não contêm etiquetas 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 entre si, sendo que os objetos frequentemente parecem semelhantes ou até idênticos e estão posicionados a curta distância uns dos outros.
• 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 dataset SKU-110K está dividido em três subconjuntos, todos partilhando a classe única object:

Aplicações#

O dataset SKU-110K é amplamente utilizado para treinar e avaliar modelos de aprendizagem profunda em tarefas de deteção de objetos, especialmente em cenas densamente agrupadas, como exposições de produtos em prateleiras de lojas. As suas aplicações incluem:

• Gestão e automatização do inventário de retalho
• Reconhecimento de produtos em plataformas de comércio eletrónico
• Verificação da conformidade com planogramas
• Sistemas de pagamento automático em lojas
• Recolha e triagem robóticas em armazéns

Para anotar as tuas próprias imagens de prateleiras, treinar e gerir datasets de deteção para 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 dataset — os caminhos do dataset, 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

Utilização#

Para treinar um modelo YOLO26n no dataset SKU-110K durante 100 épocas com um tamanho de imagem de 640, podes utilizar os seguintes excertos de código. Para obter uma lista completa dos argumentos disponíveis, consulta a página de Treino do modelo.

from ultralytics import YOLO

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

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

Dados e anotações de exemplo#

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

• Imagem de uma prateleira de loja com produtos densamente agrupados: Esta imagem demonstra um exemplo de objetos densamente agrupados num ambiente de prateleira de loja. Os objetos são anotados com caixas delimitadoras sob a classe única 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 o elevado número de objetos por imagem leva os detetores muito além dos benchmarks típicos.

Citações e agradecimentos#

Se utilizares o dataset SKU-110K no teu trabalho de investigação ou desenvolvimento, cita o seguinte artigo:

@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. por terem criado e mantido o dataset SKU-110K como um recurso valioso para a comunidade de investigação em visão computacional. Para obteres mais informações sobre o dataset SKU-110K e os seus criadores, visita o repositório do dataset SKU-110K no GitHub.

Perguntas frequentes#