Датасет 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

Датасет SKU-110K — это датасет для одноклассового обнаружения объектов, содержащий 11 743 изображения плотно заставленных торговых полок: 8 219 обучающих, 588 валидационных и 2 936 тестовых. Каждый товар размечен одной ограничивающей рамкой и относится к единственному классу object — это название связано с более чем 110 000 уникальных единиц хранения товара (SKUs), изображённых на всех сценах, а не со 110 000 классами обнаружения. Датасет создан Eran Goldman и соавторами для статьи CVPR 2019 Precise Detection in Densely Packed Scenes и содержит более 1,7 миллиона размеченных товаров — в среднем около 147 на изображение, что делает его сложным бенчмарком для моделей компьютерного зрения в условиях переполненных торговых залов.

Ключевые особенности#

• Одноклассовое обнаружение: Каждый товар размечен одной ограничивающей рамкой и относится к единственному классу object (names: {0: object}) — аннотации не содержат категорий для отдельных SKUs.
• Экстремальная плотность объектов: На изображениях торговых полок со всего мира в среднем находится около 147 плотно расположенных товаров, причём объекты часто выглядят очень похоже или даже идентично и находятся близко друг к другу.
• Большой масштаб: Более 110 000 уникальных SKUs и свыше 1,7 миллиона размеченных ограничивающих рамок на 11 743 изображениях создают серьёзную задачу для современных детекторов объектов.

Структура датасета#

Датасет SKU-110K разделён на три подмножества, каждое из которых использует единственный класс object:

Применения#

Датасет SKU-110K широко используется для обучения и оценки моделей глубокого обучения в задачах обнаружения объектов, особенно на плотно заставленных сценах, таких как торговые полки. Варианты применения включают:

• Управление запасами и автоматизация в розничной торговле
• Распознавание товаров на платформах электронной коммерции
• Проверка соответствия планограмме
• Системы самообслуживания в магазинах
• Роботизированный подбор и сортировка на складах

Чтобы размечать собственные изображения полок, обучать модели и управлять датасетами для обнаружения товаров в розничной торговле прямо в браузере, выполни весь рабочий процесс с помощью Ultralytics Platform.

YAML датасета#

Файл SKU-110K.yaml определяет конфигурацию датасета — пути к данным, имена классов и другие метаданные. Он хранится 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, используй следующие фрагменты кода. Полный список доступных аргументов приведён на странице обучения 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 аннотаций#

На изображениях SKU-110K показаны плотно расположенные товары на реальных магазинных полках, где десятки почти идентичных товаров стоят бок о бок. Ниже приведён пример изображения с аннотациями:

• Изображение плотно заставленной торговой полки: На этом изображении показан пример плотно расположенных объектов в условиях торговой полки. Объекты размечены ограничивающими рамками и относятся к единственному классу object.

Плотное расположение товаров делает SKU-110K особенно ценным для разработки надёжных решений компьютерного зрения для розничной торговли, поскольку большое количество объектов на изображении значительно усложняет задачу по сравнению с типичными бенчмарками.

Цитирование и благодарности#

Если ты используешь датасет SKU-110K в исследовательской или разработческой работе, пожалуйста, процитируй 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 хотели бы поблагодарить Eran Goldman и соавторов за создание и поддержку датасета SKU-110K как ценного ресурса для исследовательского сообщества в области компьютерного зрения. Дополнительную информацию о датасете SKU-110K и его создателях можно найти в репозитории датасета SKU-110K на GitHub.

Часто задаваемые вопросы#