Датасет сегментации посылок#

2,197

Package-Seg

ultralytics

publicSegment

Package-Seg contains polygon masks for packages across indoor, warehouse, and logistics-style scenes, including empty background images. It supports package localization and shape segmentation; no named upstream dataset license is published, so redistribution terms should be reviewed.

1 class149.8 MBSep 2, 2026

package

packagesinstance-segmentationlogistics+1

Датасет сегментации посылок Ultralytics — это тщательно отобранная коллекция из 2 197 размеченных изображений посылок для обучения моделей сегментации экземпляров на одном классе package. Датасет создан для таких сценариев использования в логистике и автоматизации складов, как идентификация, сортировка и обработка посылок, и напрямую интегрируется с Ultralytics YOLO для анализа посылок в реальном времени в конвейерах компьютерного зрения. Больше датасетов для сегментации смотри на нашей странице обзора датасетов.

Структура датасета#

Датасет сегментации посылок разделён следующим образом: всего 2 197 изображений:

• Обучающая выборка: 1 920 изображений, использованных для обучения модели глубокого обучения.
• Валидационная выборка: 188 изображений, использованных во время обучения для настройки гиперпараметров и предотвращения переобучения.
• Тестовая выборка: 89 отложенных изображений для оценки модели после обучения.
• Классы: один класс package, охватывающий все размеченные посылки.
• Размер загрузки: ~103 МБ.

Применения#

Сегментация посылок оптимизирует логистику, доставку на последней миле, контроль качества на производстве и системы умного города, а также используется в таких сферах, как выполнение заказов в электронной торговле и досмотр в целях безопасности. Точные маски посылок позволяют автоматизированным системам находить, подсчитывать и проверять посылки в реальном времени.

Умные склады и логистика#

В современных складах решения на основе ИИ для компьютерного зрения помогают оптимизировать операции, автоматизируя идентификацию и сортировку посылок. Модели компьютерного зрения, обученные на этом датасете, могут быстро обнаруживать и сегментировать посылки в реальном времени даже в сложных условиях — при слабом освещении или в загромождённых помещениях. Это ускоряет обработку, снижает количество ошибок и повышает общую эффективность логистических операций.

Контроль качества и обнаружение повреждений#

Модели сегментации посылок могут выявлять повреждённые посылки, анализируя их форму и внешний вид. Обнаруживая неровности или деформации контуров посылок, эти модели помогают гарантировать, что по цепочке поставок будут отправляться только целые посылки, снижая количество жалоб клиентов и возвратов. Это важный аспект контроля качества на производстве, необходимый для сохранения целостности продукции.

Полный датасет сегментации посылок также можно просматривать и управлять им на платформе Ultralytics.

YAML датасета#

Файл YAML определяет конфигурацию датасета, включая пути, классы и другие важные сведения. Для датасета сегментации посылок файл package-seg.yaml хранится по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/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 (103 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: package-seg # dataset root dir
train: images/train # train images (relative to 'path') 1920 images
val: images/val # val images (relative to 'path') 188 images
test: images/test # test images (relative to 'path') 89 images

# Classes
names:
  0: package

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/package-seg.zip

Использование#

Чтобы обучить модель Ultralytics YOLO26n на датасете сегментации посылок в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода. Датасет (~103 МБ) автоматически загружается при первом использовании. Полный список доступных аргументов смотри на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained segmentation model (recommended for training)

# Train the model on the Package Segmentation dataset
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)

# Validate the model
results = model.val()

# Perform inference on an image
results = model("path/to/image.jpg")

Примеры данных и аннотаций#

Ниже приведён пример из датасета сегментации посылок с наложенными масками сегментации, очерчивающими обнаруженные посылки:

Датасет охватывает различные местоположения, условия и плотность расположения посылок, поэтому модели, обученные на нём, видят широкий диапазон реальных логистических сцен, необходимый для обобщения. Связанные рабочие процессы смотри на странице задачи сегментации.

Цитирование и благодарности#

Если ты используешь датасет сегментации посылок в своих исследовательских или разработческих проектах, укажи источник надлежащим образом:

@misc{ factory_package_dataset,
    title = { factory_package Dataset },
    type = { Open Source Dataset },
    author = { factorypackage },
    url = { https://universe.roboflow.com/factorypackage/factory_package },
    year = { 2024 },
    month = { jan },
    note = { visited on 2024-01-24 },
}

Мы благодарим создателей датасета сегментации посылок за их вклад в сообщество компьютерного зрения. Больше датасетов ищи в коллекции датасетов Ultralytics и в нашем руководстве по советам по обучению моделей.

Часто задаваемые вопросы#