Набор данных SKU-110K#

11,743

SKU-110K

ultralytics

publicDetect

SKU-110K is Trax Retail's densely packed retail-shelf object detection benchmark. This reviewed package contains 11,743 unique images (8,219 train / 588 validation / 2,936 test), all labeled with 1,730,996 valid product boxes in one object class. All 21,160 source boxes extending beyond image bounds were clipped without dropping any valid box. Provided for research use; cite the SKU-110K CVPR 2019 paper.

1 class17.2 GBAug 21, 2026

object

object-detectionsku110kretail+1

Датасет SKU-110K представляет собой одноклассовый датасет обнаружения объектов, состоящий из 11 743 плотно заполненных изображений розничных полк, разделенных на 8219 обучающих, 588 валидационных и 2936 тестовых изображений. Каждый товар аннотирован одним ограничивающим прямоугольником (bbox) в рамках одного класса object — название указывает на более чем 110 000 уникальных товарных позиций (SKU), изображенных на кадрах, а не на 110 000 классов обнаружения. Созданный Эраном Голдманом (Eran Goldman) и др. для статьи на CVPR 2019 Precise Detection in Densely Packed Scenes, он содержит более 1,7 миллиона аннотированных продуктов — в среднем около 147 на одно изображение, — что делает его сложным эталонным тестом для моделей computer vision в условиях переполненной розничной среды.

Ключевые особенности#

• Обнаружение для одного класса: Каждый товар помечен одним ограничивающим прямоугольником (bbox) в рамках единого класса object (names: {0: object}) — аннотации не содержат категорий для отдельных SKU.
• Экстремальная плотность объектов: Изображения полок магазинов со всего мира содержат в среднем около 147 плотно упакованных товаров каждое, причем объекты часто выглядят похожими или даже идентичными и расположены в непосредственной близости друг от друга.
• Масштаб: Более 110 000 уникальных SKU и свыше 1,7 миллиона аннотированных ограничивающих рамок на 11 743 изображениях бросают вызов современным детекторам объектов.

Структура набора данных#

Датасет SKU-110K разделен на три подмножества, которые используют единственный класс object:

Применение#

Датасет SKU-110K широко используется для обучения и оценки моделей deep learning в задачах обнаружения объектов, особенно в условиях плотного размещения, таких как витрины магазинов. Его сценарии применения включают:

• Управление товарными запасами в ритейле и их автоматизацию
• Распознавание товаров на платформах электронной коммерции
• Проверку соответствия планограмме
• Системы самообслуживания в магазинах
• Роботизированный сбор и сортировку товаров на складах

Чтобы аннотировать собственные изображения полок, обучать датасеты для розничной торговли и управлять ими прямо в браузере, запусти полный рабочий процесс с помощью Ultralytics Platform.

YAML набора данных#

Файл SKU-110K.yaml определяет конфигурацию датасета: пути к данным, имена классов и другие метаданные. Он поддерживается в репозитории Ultralytics по адресу 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

Использование#

Чтобы обучить модель YOLO26n на датасете SKU-110K в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице Training модели.

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)

Примеры данных и разметки#

Изображения SKU-110K фиксируют плотно расположенные товары на реальных полках магазинов, где десятки почти идентичных предметов стоят бок о бок. Вот пример изображения с его аннотациями:

• Изображение плотно заполненной розничной полки: Это изображение демонстрирует пример плотно расположенных объектов в условиях торговой полки. Объекты аннотированы ограничивающими прямоугольниками (bbox) в рамках единого класса object.

Плотное расположение товаров делает SKU-110K особенно ценным для разработки надежных решений компьютерного зрения для ритейла, так как большое количество объектов на изображение выводит детекторы далеко за пределы типичных эталонов.

Цитирование и благодарности#

Если ты используешь набор данных SKU-110K в своей исследовательской или проектной работе, пожалуйста, сошлися на следующую статью:

@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}
}

Мы выражаем признательность Эрану Голдману (Eran Goldman) и его коллегам за создание и поддержку датасета SKU-110K в качестве ценного ресурса для исследовательского сообщества в области компьютерного зрения. Дополнительную информацию о датасете SKU-110K и его авторах можно найти в репозитории датасета SKU-110K на GitHub.

FAQ#