Пакет набора данных для сегментации

Набор данных Package Segmentation, доступный на Roboflow Universe, представляет собой тщательно подобранную коллекцию изображений, специально предназначенных для задач, связанных с сегментацией упаковок в области компьютерного зрения. Этот набор данных разработан для помощи исследователям, разработчикам и энтузиастам, работающим над проектами, включающими идентификацию, сортировку и обработку упаковок, с акцентом на задачи сегментации изображений.

Смотреть: Обучение модели сегментации пакетов с использованием Ultralytics YOLO11 | Промышленные пакеты 🎉

Содержащий разнообразный набор изображений, демонстрирующих различные пакеты в разных контекстах и средах, набор данных служит ценным ресурсом для обучения и оценки моделей сегментации. Независимо от того, занимаетесь ли вы логистикой, автоматизацией складов или любым приложением, требующим точного анализа пакетов, набор данных Package Segmentation Dataset предоставляет целевой и всесторонний набор изображений для повышения производительности ваших алгоритмов компьютерного зрения. Изучите другие наборы данных для задач сегментации на нашей странице обзора наборов данных.

Структура набора данных

Распределение данных в наборе данных Package Segmentation Dataset структурировано следующим образом:

Обучающий набор: Включает 1920 изображений, сопровождаемых соответствующими аннотациями.
Тестовый набор: Состоит из 89 изображений, каждое из которых имеет соответствующие аннотации.
Набор для валидации: Состоит из 188 изображений, каждое из которых имеет соответствующие аннотации.

Приложения

Сегментация пакетов, обеспечиваемая набором данных Package Segmentation Dataset, имеет решающее значение для оптимизации логистики, улучшения доставки «последней мили», повышения контроля качества производства и содействия решениям для умных городов. От электронной коммерции до приложений безопасности, этот набор данных является ключевым ресурсом, способствующим инновациям в компьютерном зрении для разнообразных и эффективных приложений анализа пакетов.

Интеллектуальные склады и логистика

В современных складских комплексах решения машинного зрения могут оптимизировать операции за счет автоматизации идентификации и сортировки посылок. Модели компьютерного зрения, обученные на этом наборе данных, могут быстро обнаруживать и сегментировать посылки в режиме реального времени, даже в сложных условиях с тусклым освещением или загроможденным пространством. Это приводит к ускорению времени обработки, уменьшению количества ошибок и повышению общей эффективности логистических операций.

Контроль качества и обнаружение повреждений

Пакетные модели сегментации могут использоваться для выявления поврежденных пакетов путем анализа их формы и внешнего вида. Обнаруживая неровности или деформации в контурах пакетов, эти модели помогают гарантировать, что только неповрежденные пакеты проходят через цепочку поставок, снижая количество жалоб клиентов и количество возвратов. Это ключевой аспект контроля качества в производстве и жизненно важен для поддержания целостности продукта.

YAML-файл набора данных

YAML-файл (Yet Another Markup Language) определяет конфигурацию набора данных, включая пути, классы и другие важные детали. Для набора данных Package Segmentation, package-seg.yaml файл поддерживается по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml.

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 YOLO11n на наборе данных Package Segmentation в течение 100 эпох с размером изображения 640, вы можете использовать следующие фрагменты кода. Для получения полного списка доступных аргументов обратитесь к странице Обучение модели.

Пример обучения

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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")

# Load a pretrained segmentation model and start training
yolo segment train data=package-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

# Resume training from the last checkpoint
yolo segment train data=package-seg.yaml model=path/to/last.pt resume=True

# Validate the trained model
yolo segment val data=package-seg.yaml model=path/to/best.pt

# Perform inference using the trained model
yolo segment predict model=path/to/best.pt source=path/to/image.jpg

Примеры данных и аннотации

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

Образец изображения набора данных

На этом изображении показан пример сегментации упаковки с аннотированными масками, выделяющими распознанные объекты упаковки. Набор данных включает в себя разнообразную коллекцию изображений, сделанных в разных местах, средах и с разной плотностью. Он служит исчерпывающим ресурсом для разработки моделей, специфичных для этой задачи сегментации.
Пример подчеркивает разнообразие и сложность, присутствующие в наборе данных, подчеркивая важность высококачественных данных для задач компьютерного зрения, связанных с сегментацией пакетов.

Преимущества использования YOLO11 для сегментации пакетов

Ultralytics YOLO11 предлагает несколько преимуществ для задач сегментации пакетов:

Баланс скорости и точности: YOLO11 обеспечивает высокую точность и эффективность, что делает его идеальным для инференса в реальном времени в быстро меняющихся логистических средах. Он обеспечивает хороший баланс по сравнению с такими моделями, как YOLOv8.
Адаптируемость: Модели, обученные с помощью YOLO11, могут адаптироваться к различным условиям склада, от слабого освещения до загроможденных пространств, обеспечивая надежную работу.
Масштабируемость: В периоды пиковых нагрузок, например, в праздничные сезоны, модели YOLO11 могут эффективно масштабироваться для обработки увеличенных объемов посылок без ущерба для производительности или точности.
Возможности интеграции: YOLO11 может быть легко интегрирована с существующими системами управления складом и развернута на различных платформах с использованием таких форматов, как ONNX или TensorRT, что упрощает сквозные автоматизированные решения.

Цитирование и благодарности

Если вы интегрируете набор данных Package Segmentation в свои исследовательские или девелоперские инициативы, пожалуйста, укажите источник соответствующим образом:

BibTeX

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

Мы выражаем благодарность создателям датасета Package Segmentation за их вклад в сообщество компьютерного зрения. Для дальнейшего изучения наборов данных и обучения моделей рассмотрите возможность посещения нашей страницы Ultralytics Datasets и нашего руководства по советам по обучению моделей.

Часто задаваемые вопросы

Что такое Package Segmentation Dataset и как он может помочь в проектах компьютерного зрения?

Набор данных Package Segmentation — это тщательно подобранная коллекция изображений, предназначенная для задач, связанных с сегментацией изображений упаковок. Он включает в себя 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 проектах, требующих точного анализа упаковок.

Как обучить модель Ultralytics YOLO11 на наборе данных Package Segmentation Dataset?

Вы можете обучить модель Ultralytics YOLO11, используя методы Python и CLI. Используйте фрагменты кода, представленные в разделе Использование. Более подробную информацию об аргументах и конфигурациях см. на странице Обучение модели.

Каковы компоненты набора данных Package Segmentation Dataset и как он структурирован?

Набор данных структурирован в три основных компонента:
- Обучающий набор: Содержит 1920 изображений с аннотациями.
- Тестовый набор: Содержит 89 изображений с соответствующими аннотациями.
- Набор для валидации: Включает 188 изображений с аннотациями.
Эта структура обеспечивает сбалансированный набор данных для тщательного обучения, проверки и тестирования модели, в соответствии с лучшими практиками, изложенными в руководствах по оценке моделей.

Почему мне следует использовать Ultralytics YOLO11 с набором данных Package Segmentation Dataset?

Ultralytics YOLO11 обеспечивает передовую точность и скорость для обнаружения объектов и задач сегментации в реальном времени. Использование его с набором данных Package Segmentation позволяет использовать возможности YOLO11 для точной сегментации пакетов, что особенно полезно для таких отраслей, как логистика и автоматизация складов.

Как я могу получить доступ и использовать файл package-seg.yaml для набора данных Package Segmentation Dataset?

Параметр package-seg.yaml файл размещен в репозитории GitHub Ultralytics и содержит важную информацию о путях, классах и конфигурации набора данных. Вы можете просмотреть или скачать его по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml. Этот файл имеет решающее значение для настройки ваших моделей для эффективного использования набора данных. Для получения дополнительной информации и практических примеров изучите наш Использование Python раздел.

📅 Создано 1 год назад ✏️ Обновлено 5 месяцев назад