Link to this sectionНабор данных SKU-110k#

Набор данных SKU-110k представляет собой коллекцию изображений плотно заставленных полок магазинов, предназначенную для поддержки исследований в задачах обнаружения объектов. Набор данных, разработанный Эраном Голдманом и коллегами, содержит более 110 000 уникальных категорий товарных позиций (SKU) с плотно расположенными объектами, которые часто выглядят похожими или даже идентичными.

Watch: How to Train YOLOv10 on SKU-110k Dataset using Ultralytics | Retail Dataset

Обнаружение плотно упакованных товаров на полках магазинов в наборе данных SKU-110K

Link to this sectionКлючевые особенности#

SKU-110k содержит изображения полок магазинов со всего мира, на которых представлены плотно упакованные объекты, создающие трудности для современных детекторов объектов.
Набор данных включает более 110 000 уникальных категорий SKU, обеспечивая широкое разнообразие внешнего вида объектов.
Аннотации включают ограничивающие рамки (bounding boxes) для объектов и метки категорий SKU.

Link to this sectionСтруктура набора данных#

Набор данных SKU-110k разделен на три основных подмножества:

Обучающая выборка: Это подмножество содержит 8 219 изображений и аннотаций, используемых для обучения моделей обнаружения объектов.
Валидационная выборка: Это подмножество состоит из 588 изображений и аннотаций, используемых для проверки модели во время обучения.
Тестовая выборка: Это подмножество включает 2 936 изображений, предназначенных для финальной оценки обученных моделей обнаружения объектов.

Link to this sectionПрименение#

Набор данных SKU-110k широко используется для обучения и оценки моделей глубинного обучения в задачах обнаружения объектов, особенно в сценах с высокой плотностью, таких как витрины магазинов. Его 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

Разнообразный набор категорий SKU и плотное расположение объектов делают этот набор данных ценным ресурсом для исследователей и практиков в области компьютерного зрения.

Link to this sectionYAML набора данных#

Для настройки параметров набора данных используется файл YAML (Yet Another Markup Language). Он содержит информацию о путях к данным, классах и другую соответствующую информацию. В случае с набором данных SKU-110K файл SKU-110K.yaml поддерживается по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/SKU-110K.yaml.

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

Link to this sectionИспользование#

Чтобы обучить модель YOLO26n на наборе данных SKU-110K в течение 100 эпох при размере изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов можно найти на странице обучения модели.

Пример обучения

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)

Link to this sectionПримеры данных и разметки#

Набор данных SKU-110k содержит разнообразные изображения полок магазинов с плотно упакованными объектами, предоставляя богатый контекст для задач обнаружения объектов. Вот несколько примеров данных из набора вместе с соответствующими аннотациями:

Обнаружение розничных товаров на полках магазинов в SKU-110K

Изображение плотно заставленной полки магазина: Это изображение демонстрирует пример плотного расположения объектов в условиях ритейла. Объекты аннотированы ограничивающими рамками и метками категорий SKU.

Этот пример демонстрирует разнообразие и сложность данных в наборе SKU-110k и подчеркивает важность высококачественных данных для задач обнаружения объектов. Плотное расположение товаров создает уникальные проблемы для алгоритмов обнаружения, что делает этот набор данных особенно ценным для разработки надежных решений в области компьютерного зрения для ритейла.

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных SKU-110k в своих исследованиях или разработках, пожалуйста, сошлися на следующую работу:

Цитата

@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 хотим выразить признательность Эрану Голдману и коллегам за создание и поддержку набора данных SKU-110k как ценного ресурса для сообщества исследователей в области компьютерного зрения. Дополнительную информацию о наборе данных SKU-110k и его создателях можно найти в репозитории GitHub набора данных SKU-110k.

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных SKU-110k и почему он важен для обнаружения объектов?#

Набор данных SKU-110k состоит из изображений плотно заставленных полок магазинов, предназначенных для поддержки исследований в задачах обнаружения объектов. Разработанный Эраном Голдманом и коллегами, он включает более 110 000 уникальных категорий SKU. Его важность заключается в способности бросить вызов самым современным детекторам объектов благодаря разнообразию внешнего вида объектов и их близкому расположению, что делает его неоценимым ресурсом для исследователей и практиков компьютерного зрения. Узнай больше о структуре и применении набора данных в нашем разделе Набор данных SKU-110k.

Link to this sectionКак обучить модель YOLO26 с использованием набора данных SKU-110k?#

Обучение модели YOLO26 на наборе данных SKU-110k довольно простое. Вот пример обучения модели YOLO26n на протяжении 100 эпох с размером изображения 640:

Пример обучения

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)

Для получения полного списка доступных аргументов обратись к странице Обучение модели.

Link to this sectionКаковы основные подмножества набора данных SKU-110k?#

Набор данных SKU-110k разделен на три основных подмножества:

Обучающая выборка: Содержит 8 219 изображений и аннотаций, используемых для обучения моделей обнаружения объектов.
Валидационная выборка: Состоит из 588 изображений и аннотаций, используемых для проверки модели во время обучения.
Тестовая выборка: Включает 2 936 изображений, предназначенных для финальной оценки обученных моделей обнаружения объектов.

Дополнительную информацию смотри в разделе Структура набора данных.

Link to this sectionКак настроить набор данных SKU-110k для обучения?#

Конфигурация набора данных SKU-110k определяется в YAML-файле, который содержит подробности о путях, классах и другую важную информацию. Файл SKU-110K.yaml поддерживается по адресу SKU-110K.yaml. Например, ты можешь обучить модель, используя эту конфигурацию, как показано в нашем разделе Использование.

Link to this sectionКаковы ключевые особенности набора данных SKU-110k в контексте глубинного обучения?#

Набор данных SKU-110k включает изображения полок магазинов со всего мира, демонстрируя плотно упакованные объекты, которые представляют значительные трудности для детекторов объектов:

Более 110 000 уникальных категорий SKU
Разнообразный внешний вид объектов
Аннотации включают ограничивающие рамки и метки категорий SKU

Эти особенности делают набор данных SKU-110k особенно ценным для обучения и оценки моделей глубокого обучения в задачах обнаружения объектов. Более подробную информацию смотри в разделе Ключевые особенности.

Link to this sectionКак сослаться на набор данных SKU-110k в своих исследованиях?#