Meet YOLO26: next-gen vision AI.

Link to this sectionConjunto de Dados de Segmentação de Pacotes#

Abrir Conjunto de Dados de Segmentação de Pacotes no Colab

O Conjunto de Dados de Segmentação de Pacotes é uma coleção curada de imagens especificamente adaptadas para tarefas relacionadas à segmentação de pacotes no campo da visão computacional. Este conjunto de dados foi projetado para auxiliar pesquisadores, desenvolvedores e entusiastas que trabalham em projetos envolvendo identificação, classificação e manuseio de pacotes, concentrando-se principalmente em tarefas de segmentação de imagem.



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

Contendo um conjunto diversificado de imagens que exibem vários pacotes em diferentes contextos e ambientes, o conjunto de dados serve como um recurso valioso para treinar e avaliar modelos de segmentação. Estejas tu envolvido em logística, automação de armazéns ou qualquer aplicação que exija análise precisa de pacotes, o Conjunto de Dados de Segmentação de Pacotes fornece um conjunto de imagens direcionado e abrangente para melhorar o desempenho dos teus algoritmos de visão computacional. Explora mais conjuntos de dados para tarefas de segmentação na nossa página de visão geral de conjuntos de dados.

Link to this sectionEstrutura do Dataset#

A distribuição de dados no Conjunto de Dados de Segmentação de Pacotes está estruturada da seguinte forma:

  • Conjunto de treinamento: Engloba 1920 imagens acompanhadas pelas suas respectivas anotações.
  • Conjunto de teste: Consiste em 188 imagens, cada uma emparelhada com as suas respectivas anotações.
  • Conjunto de validação: Compreende 89 imagens, cada uma com as suas anotações correspondentes.

Link to this sectionAplicações#

A segmentação de pacotes, facilitada pelo Conjunto de Dados de Segmentação de Pacotes, é crucial para otimizar a logística, melhorar a entrega de última milha, aprimorar o controle de qualidade na fabricação e contribuir para soluções de cidades inteligentes. Do comércio eletrônico a aplicações de segurança, este conjunto de dados é um recurso chave, promovendo a inovação em visão computacional para diversas e eficientes aplicações de análise de pacotes.

Link to this sectionArmazéns Inteligentes e Logística#

Em armazéns modernos, soluções de IA de visão podem otimizar operações automatizando a identificação e classificação de pacotes. Modelos de visão computacional treinados neste conjunto de dados podem detectar e segmentar rapidamente pacotes em tempo real, mesmo em ambientes desafiadores com iluminação fraca ou espaços desordenados. Isso leva a tempos de processamento mais rápidos, redução de erros e melhoria da eficiência geral nas operações logísticas.

Link to this sectionControle de Qualidade e Detecção de Danos#

Modelos de segmentação de pacotes podem ser usados para identificar pacotes danificados ao analisar a sua forma e aparência. Ao detectar irregularidades ou deformações nos contornos dos pacotes, estes modelos ajudam a garantir que apenas pacotes intactos prossigam pela cadeia de suprimentos, reduzindo reclamações de clientes e taxas de devolução. Este é um aspecto fundamental do controle de qualidade na fabricação e é vital para manter a integridade do produto.

Link to this sectionYAML do Dataset#

Um ficheiro YAML (Yet Another Markup Language) define a configuração do conjunto de dados, incluindo caminhos, classes e outros detalhes essenciais. Para o conjunto de dados de Segmentação de Pacotes, o ficheiro package-seg.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml.

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

Link to this sectionUso#

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.

Exemplo de Treinamento
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 sectionDados de Amostra e Anotações#

O conjunto de dados de Segmentação de Pacotes compreende uma coleção variada de imagens capturadas de múltiplas perspectivas. Abaixo estão exemplos de dados do conjunto de dados, acompanhados pelas suas respectivas máscaras de segmentação:

Exemplo do conjunto de dados de segmentação de pacotes para logística

  • Esta imagem exibe um exemplo de segmentação de pacotes, apresentando máscaras anotadas que delineiam objetos de pacotes reconhecidos. O conjunto de dados incorpora uma coleção diversificada de imagens tiradas em diferentes locais, ambientes e densidades. Serve como um recurso abrangente para desenvolver modelos específicos para esta tarefa de segmentação.
  • O exemplo enfatiza a diversidade e a complexidade presentes no conjunto de dados, sublinhando a importância de dados de alta qualidade para tarefas de visão computacional envolvendo segmentação de pacotes.

Link to this sectionBenefícios de usar o YOLO26 para Segmentação de Pacotes#

O Ultralytics YOLO26 oferece várias vantagens para tarefas de segmentação de pacotes:

  1. Equilíbrio entre Velocidade e Precisão: O YOLO26 alcança alta precisão e eficiência, tornando-o ideal para inferência em tempo real em ambientes logísticos de ritmo acelerado. Proporciona um forte equilíbrio em comparação com modelos como o YOLOv8.

  2. Adaptabilidade: Modelos treinados com o YOLO26 podem adaptar-se a várias condições de armazém, desde iluminação fraca a espaços desordenados, garantindo um desempenho robusto.

  3. Escalabilidade: Durante períodos de pico, como épocas festivas, os modelos YOLO26 podem escalar eficientemente para lidar com volumes aumentados de pacotes sem comprometer o desempenho ou a precisão.

  4. Capacidades de Integração: O YOLO26 pode ser facilmente integrado com sistemas de gestão de armazém existentes e implantado em várias plataformas usando formatos como ONNX ou TensorRT, facilitando soluções automatizadas de ponta a ponta.

Link to this sectionCitações e Agradecimentos#

Se integrares o conjunto de dados de Segmentação de Pacotes nas tuas iniciativas de pesquisa ou desenvolvimento, por favor cita a fonte apropriadamente:

Citação
@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 },
}

Expressamos a nossa gratidão aos criadores do conjunto de dados de Segmentação de Pacotes pela sua contribuição para a comunidade de visão computacional. Para uma exploração mais aprofundada de conjuntos de dados e treinamento de modelos, considera visitar a nossa página de Conjuntos de Dados Ultralytics e o nosso guia sobre dicas de treinamento de modelos.

Link to this sectionFAQ#

Link to this sectionO que é o Conjunto de Dados de Segmentação de Pacotes e como pode ajudar em projetos de visão computacional?#

  • O Conjunto de Dados de Segmentação de Pacotes é uma coleção curada de imagens adaptadas para tarefas envolvendo segmentação de imagem de pacotes. Inclui imagens diversas de pacotes em vários contextos, tornando-o inestimável para treinar e avaliar modelos de segmentação. Este conjunto de dados é particularmente útil para aplicações em logística, automação de armazéns e qualquer projeto que exija análise precisa de pacotes.

Link to this sectionComo treino um modelo Ultralytics YOLO26 no Conjunto de Dados de Segmentação de Pacotes?#

  • You can train an Ultralytics YOLO26 model using both Python and CLI methods. Use the code snippets provided in the Usage section. Refer to the model Training page for more details on arguments and configurations.

Link to this sectionQuais são os componentes do Conjunto de Dados de Segmentação de Pacotes e como está estruturado?#

  • O conjunto de dados está estruturado em três componentes principais:
    • Conjunto de treinamento: Contém 1920 imagens com anotações.
    • Conjunto de teste: Compreende 188 imagens com as anotações correspondentes.
    • Conjunto de validação: Inclui 89 imagens com anotações.
  • Esta estrutura garante um conjunto de dados equilibrado para treinamento, validação e teste rigorosos do modelo, seguindo as melhores práticas descritas nos guias de avaliação de modelos.

Link to this sectionPor que devo usar o Ultralytics YOLO26 com o Conjunto de Dados de Segmentação de Pacotes?#

  • O Ultralytics YOLO26 oferece precisão e velocidade de última geração para tarefas de detecção de objetos e segmentação em tempo real. Usá-lo com o Conjunto de Dados de Segmentação de Pacotes permite-te aproveitar as capacidades do YOLO26 para uma segmentação precisa de pacotes, o que é especialmente benéfico para setores como logística e automação de armazéns.

Link to this sectionComo posso acessar e usar o ficheiro package-seg.yaml para o Conjunto de Dados de Segmentação de Pacotes?#

Contribuidores
GLglenn-jocher17RIRizwanMunawar4ONonuralpszr1LAlakshanthad1MAMatthewNoyce1JKjk4e1

Comentários