Набор данных для сегментации упаковок

Набор данных для сегментации упаковок (Package Segmentation Dataset) — это тщательно отобранная коллекция изображений, специально подготовленная для задач сегментации упаковок в области компьютерного зрения. Этот набор данных призван помочь исследователям, разработчикам и энтузиастам, работающим над проектами по идентификации, сортировке и обработке упаковок, с основным упором на задачи сегментации изображений.

Этот набор данных содержит разнообразные изображения упаковок в различных контекстах и условиях, служа ценным ресурсом для обучения и оценки моделей сегментации. Независимо от того, занимаешься ли ты логистикой, автоматизацией складов или любым другим направлением, требующим точного анализа упаковок, набор данных для сегментации упаковок предоставит тебе целевой и всесторонний набор изображений для улучшения работы твоих алгоритмов компьютерного зрения. Ознакомься с другими наборами данных для задач сегментации на нашей странице обзора наборов данных.

Структура набора данных

Распределение данных в наборе для сегментации упаковок структурировано следующим образом:

• Обучающий набор: включает 1920 изображений с соответствующими аннотациями.
• Тестовый набор: состоит из 89 изображений, каждое из которых сопровождается соответствующими аннотациями.
• Валидационный набор: содержит 188 изображений, каждое из которых имеет соответствующие аннотации.

Приложения

Сегментация упаковок, поддерживаемая этим набором данных, критически важна для оптимизации логистики, улучшения доставки «последней мили», повышения качества контроля на производстве и внедрения решений для умных городов. От электронной коммерции до систем безопасности, этот набор данных является ключевым ресурсом, способствующим внедрению инноваций в области компьютерного зрения для разнообразных и эффективных задач анализа упаковок.

Умные склады и логистика

На современных складах решения на базе ИИ для компьютерного зрения могут оптимизировать операции за счет автоматизации идентификации и сортировки упаковок. Модели компьютерного зрения, обученные на этом наборе данных, могут быстро обнаруживать и сегментировать упаковки в режиме реального времени, даже в сложных условиях, таких как плохое освещение или загроможденные пространства. Это ведет к сокращению времени обработки, уменьшению количества ошибок и повышению общей эффективности логистических операций.

Контроль качества и обнаружение повреждений

Модели сегментации упаковок могут использоваться для выявления поврежденных упаковок путем анализа их формы и внешнего вида. Обнаруживая неровности или деформации контуров упаковок, эти модели помогают гарантировать, что через цепочку поставок проходят только целые упаковки, что сокращает число жалоб клиентов и уровень возвратов. Это ключевой аспект контроля качества в производстве и жизненно важен для поддержания целостности продукции.

YAML набора данных

Файл YAML (Yet Another Markup Language) определяет конфигурацию набора данных, включая пути, классы и другие важные детали. Для набора данных Package Segmentation файл package-seg.yaml находится 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') 89 images
test: images/test # test images (relative to 'path') 188 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 наборе данных Package Segmentation в течение 100 эпох при размере изображения 640, воспользуйся следующими фрагментами кода. Полный список доступных аргументов можно найти на странице Обучение.

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

Набор данных Package Segmentation включает разнообразную коллекцию изображений, снятых с разных ракурсов. Ниже приведены примеры данных из набора, сопровождаемые соответствующими масками сегментации:

• На этом изображении показан пример сегментации упаковок с аннотированными масками, выделяющими распознанные объекты упаковок. Набор данных включает разнообразную коллекцию изображений, снятых в различных местах, условиях и при разной плотности объектов. Он служит комплексным ресурсом для разработки моделей, предназначенных для этой задачи сегментации.
• Этот пример подчеркивает разнообразие и сложность данных в наборе, акцентируя внимание на значимости качественных данных для задач компьютерного зрения, связанных с сегментацией упаковок.

Преимущества использования YOLO26 для сегментации упаковок

Ultralytics YOLO26 предлагает ряд преимуществ для задач сегментации упаковок:

1. Баланс скорости и точности: YOLO26 обеспечивает высокую точность и эффективность, что делает ее идеальной для вывода в режиме реального времени в динамичных логистических средах. Она демонстрирует отличный баланс по сравнению с моделями типа YOLOv8.

2. Адаптивность: модели, обученные с использованием YOLO26, могут адаптироваться к различным складским условиям, от слабого освещения до загроможденных пространств, обеспечивая надежную работу.

3. Масштабируемость: в периоды пиковых нагрузок, например, в праздничные сезоны, модели YOLO26 могут эффективно масштабироваться для обработки возросших объемов упаковок без потери производительности или точности.

4. Возможности интеграции: YOLO26 легко интегрируется с существующими системами управления складом и развертывается на различных платформах с использованием таких форматов, как ONNX или TensorRT, что способствует созданию автоматизированных комплексных решений.

Цитирование и благодарности

Если ты интегрируешь набор данных Package Segmentation в свои исследования или разработки, пожалуйста, 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 выражаем благодарность создателям набора данных Package Segmentation за их вклад в сообщество компьютерного зрения. Для дальнейшего изучения наборов данных и обучения моделей рассмотри возможность посещения нашей страницы Наборы данных Ultralytics и нашего руководства по советам по обучению моделей.

Часто задаваемые вопросы (FAQ)

Что такое набор данных для сегментации упаковок и чем он может помочь в проектах по компьютерному зрению?

• Набор данных для сегментации упаковок — это тщательно отобранная коллекция изображений, подготовленная для задач сегментации изображений упаковок. Он включает разнообразные изображения упаковок в различных контекстах, что делает его бесценным для обучения и оценки моделей сегментации. Этот набор данных особенно полезен для приложений в логистике, автоматизации складов и любых других проектах, требующих точного анализа упаковок.

Как мне обучить модель Ultralytics YOLO26 на наборе данных для сегментации упаковок?

• Ты можешь обучить модель Ultralytics YOLO26 с помощью Python и интерфейса командной строки (CLI). Используй фрагменты кода, приведенные в разделе Использование. Обратись к странице Обучение для получения дополнительной информации об аргументах и конфигурациях.

Из каких компонентов состоит набор данных для сегментации упаковок и как он структурирован?

• Набор данных состоит из трех основных компонентов:
  • Обучающий набор: содержит 1920 изображений с аннотациями.
  • Тестовый набор: состоит из 89 изображений с соответствующими аннотациями.
  • Валидационный набор: включает 188 изображений с аннотациями.
• Эта структура обеспечивает сбалансированность набора данных для качественного обучения, валидации и тестирования моделей, следуя передовым методам, описанным в руководствах по оценке моделей.

Почему мне стоит использовать Ultralytics YOLO26 с набором данных для сегментации упаковок?

• Ultralytics YOLO26 provides state-of-the-art accuracy and speed for real-time object detection and segmentation tasks. Using it with the Package Segmentation Dataset allows you to leverage YOLO26's capabilities for precise package segmentation, which is especially beneficial for industries like logistics and warehouse automation.

Как получить доступ к файлу package-seg.yaml для набора данных сегментации упаковок и как его использовать?

• Файл package-seg.yaml размещен в репозитории Ultralytics на GitHub и содержит важную информацию о путях к набору данных, классах и конфигурации. Ты можешь просмотреть или загрузить его по ссылке https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml. Этот файл критически важен для настройки моделей с целью эффективного использования набора данных. Чтобы узнать больше и увидеть практические примеры, изучи наш раздел Использование Python.