Editar página no GitHub (EN)

Conjunto de Dados de Segmentação de Pacotes

Open Package Segmentation Dataset In Colab

O Conjunto de Dados de Segmentação de Pacotes é uma coleção curada de imagens desenvolvida especificamente 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 que envolvem a identificação, triagem e manuseio de pacotes, focando principalmente em tarefas de segmentação de imagem.



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

Contendo um conjunto diversificado de imagens que mostram vários pacotes em diferentes contextos e ambientes, o conjunto de dados serve como um recurso valioso para treinar e avaliar modelos de segmentação. Quer estejas envolvido em logística, automação de armazéns ou em qualquer aplicação que exija uma 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.

Estrutura do Dataset

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

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

Aplicações

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 controlo de qualidade na fabricação e contribuir para soluções de cidades inteligentes. Desde o e-commerce até aplicações de segurança, este conjunto de dados é um recurso fundamental, promovendo a inovação em visão computacional para diversas e eficientes aplicações de análise de pacotes.

Armazéns Inteligentes e Logística

Em armazéns modernos, soluções de visão AI podem simplificar as operações ao automatizar a identificação e a triagem de pacotes. Modelos de visão computacional treinados neste conjunto de dados podem detetar e segmentar rapidamente pacotes em tempo real, mesmo em ambientes desafiadores com iluminação fraca ou espaços desordenados. Isto leva a tempos de processamento mais rápidos, redução de erros e uma melhoria na eficiência geral em operações logísticas.

Controlo de Qualidade e Deteção de Danos

Modelos de segmentação de pacotes podem ser usados para identificar pacotes danificados ao analisar a sua forma e aparência. Ao detetar 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 aspeto fundamental do controlo de qualidade na fabricação e é vital para manter a integridade do produto.

YAML do Dataset

Um arquivo 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 arquivo 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

Utilização

Para treinar um modelo Ultralytics YOLO26n no conjunto de dados de Segmentação de Pacotes por 100 épocas com um tamanho de imagem de 640, podes usar os seguintes trechos de código. Para uma lista abrangente de argumentos disponíveis, consulta a página de Treinamento do modelo.

Exemplo de Treino
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")

Amostra de dados e anotações

O conjunto de dados de Segmentação de Pacotes compreende uma coleção variada de imagens capturadas a partir de múltiplas perspetivas. Abaixo estão instâncias de dados do conjunto de dados, acompanhadas pelas suas respetivas máscaras de segmentação:

Exemplo de conjunto de dados de segmentação de pacotes para logística

  • Esta imagem exibe uma instância de segmentação de pacotes, apresentando máscaras anotadas que delineiam os 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 o desenvolvimento de modelos específicos para esta tarefa de segmentação.
  • O exemplo destaca a diversidade e a complexidade presentes no conjunto de dados, sublinhando a importância de dados de alta qualidade para tarefas de visão computacional que envolvem a segmentação de pacotes.

Benefícios 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. Ele oferece 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 até 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 em sistemas de gestão de armazém existentes e implementado em várias plataformas usando formatos como ONNX ou TensorRT, facilitando soluções automatizadas ponta a ponta.

Citações e Agradecimentos

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

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 adicional 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.

FAQ

O 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 adaptada para tarefas que envolvem segmentação de imagem de pacotes. Inclui diversas imagens 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 uma análise precisa de pacotes.

Como treino um modelo Ultralytics YOLO26 no Conjunto de Dados de Segmentação de Pacotes?

  • Podes treinar um modelo Ultralytics YOLO26 usando tanto métodos Python quanto CLI. Usa os trechos de código fornecidos na seção Uso. Consulta a página de Treinamento do modelo para mais detalhes sobre argumentos e configurações.

Quais 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 treino: Contém 1920 imagens com anotações.
    • Conjunto de teste: Compreende 89 imagens com as respetivas anotações.
    • Conjunto de validação: Inclui 188 imagens com anotações.
  • Esta estrutura garante um conjunto de dados equilibrado para um treinamento, validação e teste de modelos rigorosos, seguindo as melhores práticas descritas nos guias de avaliação de modelos.

Por que devo usar o Ultralytics YOLO26 com o Conjunto de Dados de Segmentação de Pacotes?

  • O Ultralytics YOLO26 oferece precisão e velocidade de ponta para tarefas de deteção 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.

Como posso aceder e usar o arquivo package-seg.yaml para o Conjunto de Dados de Segmentação de Pacotes?

Contributors
Editar página no GitHub (EN)
GLglenn-jocher16RIRizwanMunawar4ONonuralpszr1LAlakshanthad1MAMatthewNoyce1JKjk4e1

Comentários