Link to this sectionНабор данных для сегментации упаковок#

Набор данных для сегментации упаковок — 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 фокусом на задачах сегментации изображений.

Содержащий разнообразный набор изображений с различными упаковками в разных контекстах и условиях, этот датасет служит ценным ресурсом для обучения и оценки моделей сегментации. Независимо от того, занимаешься ли ты логистикой, автоматизацией складов или любым другим приложением, требующим точного анализа упаковок, набор данных для сегментации упаковок предоставляет целевой и всесторонний набор изображений для улучшения работы твоих алгоритмов компьютерного зрения. Изучи больше наборов данных для задач сегментации на нашей странице обзора наборов данных.

Link to this sectionСтруктура набора данных#

Распределение данных в наборе для сегментации упаковок структурировано следующим образом:

• Обучающая выборка: включает 1920 изображений с соответствующими аннотациями.
• Тестовая выборка: состоит из 188 изображений, каждое из которых сопровождается соответствующими аннотациями.
• Валидационная выборка: содержит 89 изображений, каждое с соответствующими аннотациями.

Link to this sectionПрименение#

Сегментация упаковок, реализованная с помощью этого набора данных, критически важна для оптимизации логистики, улучшения доставки «последней мили», контроля качества в производстве и внедрения решений для «умных городов». От электронной коммерции до систем безопасности — этот датасет является ключевым ресурсом, способствующим инновациям в области компьютерного зрения для различных и эффективных задач анализа упаковок.

Link to this sectionУмные склады и логистика#

На современных складах решения Vision AI могут оптимизировать процессы за счет автоматизации идентификации и сортировки упаковок. Модели компьютерного зрения, обученные на этом датасете, способны быстро обнаруживать и сегментировать упаковки в режиме реального времени даже в сложных условиях, например при плохом освещении или в загроможденных пространствах. Это ведет к ускорению обработки, сокращению ошибок и повышению общей эффективности логистических операций.

Link to this sectionКонтроль 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 только неповрежденные упаковки пройдут через цепочку поставок, что снижает количество жалоб клиентов и уровень возвратов. Это ключевой аспект контроля качества в производстве и крайне важен для сохранения целостности продукции.

Link to this sectionYAML набора данных#

YAML-файл определяет конфигурацию набора данных, включая пути, классы и другие важные детали. Для набора данных Package Segmentation файл package-seg.yaml поддерживается 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

Link to this sectionИспользование#

Чтобы обучить модель Ultralytics YOLO26n на наборе данных Package Segmentation в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов можно найти 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")

Link to this sectionПримеры данных и разметки#

Набор данных Package Segmentation включает разнообразную коллекцию изображений, снятых с нескольких ракурсов. Ниже представлены примеры данных из набора вместе с соответствующими масками сегментации:

• На этом изображении показан пример сегментации упаковок с аннотированными масками, выделяющими распознанные объекты упаковок. Датасет включает разнообразную коллекцию изображений, снятых в разных местах, окружениях и с разной плотностью объектов. Это всеобъемлющий ресурс для разработки моделей, специализированных для этой задачи сегментации.
• Этот пример подчеркивает разнообразие и сложность набора данных, подтверждая важность высококачественных данных для задач компьютерного зрения, связанных с сегментацией упаковок.

Link to this sectionПреимущества использования YOLO26 для сегментации упаковок#

Ultralytics YOLO26 предлагает несколько преимуществ для задач сегментации упаковок:

1. Баланс скорости и точности: YOLO26 обеспечивает высокую точность и эффективность, что делает его идеальным для инференса в реальном времени в быстро меняющихся логистических условиях. Он предлагает отличный баланс по сравнению с такими моделями, как YOLOv8.

2. Адаптивность: Модели, обученные с помощью YOLO26, могут адаптироваться к различным складским условиям, от слабого освещения до загроможденных пространств, обеспечивая стабильную работу.

3. Масштабируемость: В пиковые периоды, такие как праздничные сезоны, модели YOLO26 могут эффективно масштабироваться для обработки возросших объемов упаковок без ущерба для производительности или точности.

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

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных Package Segmentation в своих исследовательских или девелоперских инициативах, пожалуйста, правильно укажи источник:

@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.

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных Package Segmentation и как он может помочь в проектах компьютерного зрения?#

• Набор данных Package Segmentation — это тщательно отобранная коллекция изображений, адаптированная 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 проектах, требующих точного анализа упаковок.

Link to this sectionКак обучить модель Ultralytics YOLO26 на наборе данных Package Segmentation?#

• Ты можешь обучить модель Ultralytics YOLO26 с помощью Python или методов CLI. Используй фрагменты кода, предоставленные в разделе Использование. Обратись к странице обучения модели для получения дополнительной информации об аргументах и конфигурациях.

Link to this sectionКаковы компоненты набора данных Package Segmentation и как он структурирован?#

• Набор данных структурирован по трем основным компонентам:
  • Обучающая выборка: содержит 1920 изображений с аннотациями.
  • Тестовая выборка: состоит из 188 изображений с соответствующими аннотациями.
  • Валидационная выборка: включает 89 изображений с аннотациями.
• Такая структура обеспечивает сбалансированный набор данных для тщательного обучения, валидации и тестирования моделей в соответствии с передовыми методами, описанными в руководствах по оценке моделей.

Link to this sectionПочему мне стоит использовать Ultralytics YOLO26 с набором данных Package Segmentation?#

• Ultralytics YOLO26 обеспечивает передовую точность и скорость для задач обнаружения объектов и сегментации в режиме реального времени. Использование его с набором данных Package Segmentation позволяет тебе использовать возможности YOLO26 для точной сегментации упаковок, что особенно полезно для таких отраслей, как логистика и автоматизация складов.

Link to this sectionКак мне получить доступ к файлу package-seg.yaml и использовать его для набора данных Package Segmentation?#

• 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 скачать его по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml. Этот файл критически важен для настройки моделей для эффективного использования набора данных. Чтобы получить больше информации и практических примеров, изучи наш раздел Использование Python.