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 обнаружения объектов с одним классом, включающий 11 743 изображения торговых полок с высокой плотностью товаров. Он разделён на 8 219 изображений для обучения, 588 для валидации и 2 936 для тестирования. Каждый товар размечен одним ограничивающим прямоугольником в рамках единственного класса object — название отсылает к более чем 110 000 уникальных товарных единиц (SKUs), запечатлённых на изображениях, а не к 110 000 классам обнаружения. Датасет создан Эраном Голдманом и соавторами для статьи CVPR 2019 Точное обнаружение в плотно заполненных сценах. В нём более 1,7 миллиона размеченных товаров — в среднем около 147 на изображение, — что делает его сложным тестом для моделей компьютерного зрения в переполненных торговых пространствах.

Основные особенности#

• Обнаружение объектов одного класса: Каждый товар размечен одним ограничивающим прямоугольником в рамках единственного класса object (names: {0: object}); аннотации не содержат категорий для отдельных SKU.
• Экстремальная плотность объектов: На изображениях торговых полок со всего мира в среднем около 147 плотно расположенных товаров. Часто рядом друг с другом находятся похожие или даже идентичные объекты.
• Большой масштаб: Более 110 000 уникальных SKU и свыше 1,7 миллиона размеченных ограничивающих прямоугольников на 11 743 изображениях — серьёзное испытание для современных детекторов объектов.

Структура набора данных#

Датасет SKU-110K разделён на три подмножества, в каждом из которых используется один класс object:

Применение#

Датасет SKU-110K широко используют для обучения и оценки моделей глубокого обучения в задачах обнаружения объектов, особенно в плотно заполненных сценах, например на торговых полках. Среди его применений:

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

Чтобы размечать собственные изображения полок, обучать модели и управлять датасетами для обнаружения товаров в рознице прямо в браузере, выполни весь рабочий процесс на платформе Ultralytics.

Файл YAML набора данных#

Файл SKU-110K.yaml задаёт конфигурацию датасета: пути к данным, названия классов и другие метаданные. Файл поддерживается в репозитории Ultralytics: 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 приведённые ниже фрагменты кода. Полный список доступных аргументов см. на странице Обучение модели.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Обучить модель
results = model.train(data="SKU-110K.yaml", epochs=100, imgsz=640)

Примеры данных и аннотаций#

На изображениях SKU-110K показаны плотно расположенные товары на настоящих магазинных полках, где рядом стоят десятки почти одинаковых предметов. Вот пример изображения с аннотациями:

• Изображение плотно заполненной торговой полки: На этом изображении показан пример высокой плотности объектов на торговой полке. Объекты размечены ограничивающими прямоугольниками в рамках единственного класса object.

Из-за высокой плотности товаров датасет SKU-110K особенно полезен для разработки надёжных решений компьютерного зрения для розничной торговли: большое количество объектов на изображении предъявляет к детекторам гораздо более высокие требования, чем типичные тесты.

Цитирование и благодарности#

Если ты используешь датасет SKU-110K в исследованиях или разработке, процитируй эту 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 Эрана Голдмана и соавторов за создание и поддержку датасета SKU-110K, ценного ресурса для сообщества исследователей компьютерного зрения. Подробнее о датасете SKU-110K и его создателях см. в репозитории датасета SKU-110K на GitHub.

Часто задаваемые вопросы#