Roboflow Conjunto de dados de segmentação de pacotes do universo

The Roboflow Package Segmentation Dataset is a curated collection of images specifically tailored for tasks related to package segmentation in the field of computer vision. This dataset is designed to assist researchers, developers, and enthusiasts working on projects related to package identification, sorting, and handling.

Contendo um conjunto diversificado de imagens que mostram várias embalagens 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, automatização de armazéns ou qualquer aplicação que exija uma análise precisa de embalagens, o Conjunto de Dados de Segmentação de Embalagens fornece um conjunto de imagens direcionado e abrangente para melhorar o desempenho dos teus algoritmos de visão computacional.

Estrutura do conjunto de dados

A distribuição dos dados no Conjunto de dados de segmentação de embalagens está estruturada da seguinte forma:

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

Aplicações

A segmentação de embalagens, facilitada pelo Conjunto de Dados de Segmentação de Embalagens, é crucial para otimizar a logística, melhorar a entrega na última milha, melhorar o controlo de qualidade do fabrico e contribuir para soluções de cidades inteligentes. Do comércio eletrónico às aplicações de segurança, este conjunto de dados é um recurso fundamental, promovendo a inovação na visão computacional para aplicações de análise de embalagens diversas e eficientes.

Conjunto de dados YAML

Um ficheiro YAML (Yet Another Markup Language) é utilizado para definir a configuração do conjunto de dados. Contém informações sobre os caminhos do conjunto de dados, classes e outras informações relevantes. No caso do conjunto de dados 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 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

Utilização

To train Ultralytics YOLO11n 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.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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=yolo11n-seg.pt epochs=100 imgsz=640

Dados de amostra e anotações

O conjunto de dados de segmentação de pacotes inclui uma coleção variada de imagens e vídeos capturados de várias perspectivas. Abaixo estão exemplos de dados do conjunto de dados, acompanhados das respectivas anotações:

• This image displays an instance of image object detection, featuring annotated bounding boxes with masks outlining recognized objects. The dataset incorporates a diverse collection of images taken in different locations, environments, and densities. It serves as a comprehensive resource for developing models specific to this task.
• O exemplo enfatiza a diversidade e a complexidade presentes no conjunto de dados VisDrone, sublinhando a importância de dados de sensores de alta qualidade para tarefas de visão computacional envolvendo drones.

Citações e agradecimentos

Se integrares o conjunto de dados de segmentação de fissuras nas tuas iniciativas de investigação ou desenvolvimento, cita o seguinte documento:

@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 },
}

Expressamos a nossa gratidão à equipa de Roboflow pelos seus esforços na criação e manutenção do conjunto de dados de Segmentação de Pacotes, um bem valioso para projectos de logística e investigação. Para mais detalhes sobre o conjunto de dados de Segmentação de Pacotes e seus criadores, visita a página do conjunto de dados de Segmentação de Pacotes.

FAQ

O que é o Roboflow Package Segmentation Dataset e como pode ajudar em projectos de visão computacional?

O conjunto de dados de segmentação de embalagensRoboflow é uma coleção de imagens com curadoria feita à medida para tarefas que envolvem segmentação de embalagens. Inclui diversas imagens de embalagens em vários contextos, o que o torna 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 embalagens. Ajuda a otimizar a logística e a melhorar os modelos de visão para uma identificação e classificação precisas de embalagens.

How do I train an Ultralytics YOLO11 model on the Package Segmentation Dataset?

You can train an Ultralytics YOLO11n model using both Python and CLI methods. Use the snippets below:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model

# 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=yolo11n-seg.pt epochs=100 imgsz=640

Consulta a página de formação do modelo para obteres mais informações.

Quais são os componentes do Conjunto de Dados de Segmentação de Pacotes e como está estruturado?

The dataset is structured into three main components:

• Training set: Contains 1920 images with annotations.
• Testing set: Comprises 89 images with corresponding annotations.
• Validation set: Includes 188 images with annotations.

Esta estrutura assegura um conjunto de dados equilibrado para a formação, validação e teste de modelos completos, melhorando o desempenho dos algoritmos de segmentação.

Why should I use Ultralytics YOLO11 with the Package Segmentation Dataset?

Ultralytics YOLO11 provides state-of-the-art accuracy and speed for real-time object detection and segmentation tasks. Using it with the Package Segmentation Dataset allows you to leverage YOLO11's capabilities for precise package segmentation. This combination is especially beneficial for industries like logistics and warehouse automation, where accurate package identification is critical. For more information, check out our page on YOLO11 segmentation.

Como posso acessar e usar o arquivo package-seg.yaml para o conjunto de dados de segmentação de pacotes?

O package-seg.yaml O ficheiro está alojado no repositório GitHub de Ultralytics e contém informações essenciais sobre os caminhos, classes e configuração do conjunto de dados. Podes descarregá-lo a partir de aqui. Este ficheiro é crucial para configurar os teus modelos de modo a utilizar o conjunto de dados de forma eficiente.

Para mais informações e exemplos práticos, explora a nossa secção Utilização.

📅 Created 8 months ago ✏️ Updated 11 days ago

Comentários