Перейти к содержанию

Roboflow Набор данных для сегментации вселенских пакетов

Открытый набор данных сегментации пакетов в Colab

Сайт Roboflow Package Segmentation Dataset - это коллекция изображений, специально созданная для задач, связанных с сегментацией пакетов в области компьютерного зрения. Этот набор данных предназначен для помощи исследователям, разработчикам и энтузиастам, работающим над проектами, связанными с идентификацией, сортировкой и обработкой пакетов.



Смотреть: Как провести сегментацию упаковки с помощью Ultralytics YOLO11 | Промышленные упаковки 🎉

Содержащий разнообразный набор изображений, демонстрирующих различные упаковки в различных контекстах и средах, набор данных служит ценным ресурсом для обучения и оценки моделей сегментации. Если вы занимаетесь логистикой, автоматизацией склада или любым другим приложением, требующим точного анализа упаковки, набор данных Package Segmentation Dataset предоставляет целевой и полный набор изображений для повышения производительности ваших алгоритмов компьютерного зрения.

Структура набора данных

Данные в наборе данных Package Segmentation Dataset распределены следующим образом:

  • Обучающий набор: Включает в себя 1920 изображений, сопровождаемых соответствующими аннотациями.
  • Набор для тестирования: Состоит из 89 изображений, каждое из которых сопряжено с соответствующими аннотациями.
  • Валидационный набор: Состоит из 188 изображений, каждое из которых снабжено соответствующими аннотациями.

Приложения

Сегментация упаковки, осуществляемая с помощью набора данных Package Segmentation Dataset, имеет решающее значение для оптимизации логистики, улучшения доставки на последнюю милю, повышения контроля качества производства и внедрения решений для "умных городов". Этот набор данных является ключевым ресурсом, способствующим инновациям в области компьютерного зрения для разнообразных и эффективных приложений анализа упаковки - от электронной коммерции до приложений безопасности.

Умные склады и логистика

На современных складах решения на основе искусственного зрения позволяют оптимизировать операции за счет автоматизации идентификации и сортировки упаковок. Модели компьютерного зрения, обученные на этом наборе данных, могут быстро обнаруживать и сортировать упаковки в режиме реального времени, даже в сложных условиях с тусклым освещением или загроможденным пространством. Это позволяет ускорить процесс обработки, уменьшить количество ошибок и повысить общую эффективность логистических операций.

Контроль качества и обнаружение повреждений

Модели сегментации упаковки могут использоваться для выявления поврежденных упаковок путем анализа их формы и внешнего вида. Обнаруживая неровности или деформации в контурах упаковки, эти модели помогают обеспечить прохождение по цепочке поставок только неповрежденных упаковок, снижая количество жалоб и возвратов от клиентов.

Набор данных YAML

Для определения конфигурации набора данных используется файл YAML (Yet Another Markup Language). Он содержит информацию о путях, классах и другую необходимую информацию о наборе данных. В случае набора данных Package Segmentation файл package-seg.yaml файл хранится 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 (102 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: ../datasets/package-seg # dataset root dir
train: train/images # train images (relative to 'path') 1920 images
val: valid/images # val images (relative to 'path') 89 images
test: test/images # 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

Для обучения модели Ultralytics YOLO11n на наборе данных Package Segmentation в течение 100 эпох при размере изображения 640 можно использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице обучения модели.

Пример поезда

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo segment train data=package-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Образцы данных и аннотации

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

Образец изображения из набора данных

  • На этом изображении показан пример распознавания объектов на изображении: аннотированные ограничительные рамки с масками, очерчивающими распознанные объекты. Набор данных включает в себя разнообразную коллекцию изображений, сделанных в разных местах, в разных условиях и с разной плотностью. Он служит всеобъемлющим ресурсом для разработки моделей, специфичных для этой задачи.
  • Этот пример подчеркивает разнообразие и сложность набора данных, подчеркивая важность высококачественных данных для задач компьютерного зрения, связанных с сегментацией пакетов.

Преимущества использования YOLO11 для сегментации пакетов

Ultralytics YOLO11 обладает рядом преимуществ для решения задач сегментации пакетов:

  1. Баланс скорости и точности: YOLO11 достигает более высокой точности при 22 % меньшем количестве параметров, чем YOLOv8m, что делает его идеальным для обнаружения упаковки в режиме реального времени в быстро меняющихся логистических средах.

  2. Адаптивность: Модели, обученные с помощью YOLO11 , могут адаптироваться к различным условиям на складе, от тусклого освещения до загроможденного пространства.

  3. Масштабируемость: В периоды пиковых нагрузок, например в праздники, модели YOLO11 могут эффективно масштабироваться для обработки увеличенных объемов пакетов без ущерба для производительности.

  4. Возможности интеграции: YOLO11 легко интегрируется с существующими системами управления складом для создания комплексных автоматизированных решений.

Цитаты и благодарности

Если вы используете набор данных Package Segmentation в своих исследованиях или разработках, пожалуйста, ссылайтесь на следующий документ:

@misc{ factory_package_dataset,
    title = { factory_package Dataset },
    type = { Open Source Dataset },
    author = { factorypackage },
    howpublished = { \url{ https://universe.roboflow.com/factorypackage/factory_package } },
    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 команде Roboflow за их усилия по созданию и поддержке набора данных Package Segmentation, ценного актива для логистики и исследовательских проектов. Дополнительную информацию о наборе данных Package Segmentation и его создателях можно найти на странице Package Segmentation Dataset Page.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Что такое датасет Roboflow Package Segmentation Dataset и как он может помочь в проектах по компьютерному зрению?

Набор данныхRoboflow Package Segmentation Dataset - это коллекция изображений, предназначенных для задач сегментации пакетов. Она включает в себя разнообразные изображения пакетов в различных контекстах, что делает ее бесценной для обучения и оценки моделей сегментации. Этот набор данных особенно полезен для приложений в логистике, автоматизации складов и любых проектов, требующих точного анализа упаковки. Он помогает оптимизировать логистику и улучшить модели технического зрения для точной идентификации и сортировки пакетов.

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

Вы можете обучить модель Ultralytics YOLO11n, используя методы Python и CLI . Используйте приведенные ниже фрагменты:

Пример поезда

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model

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

# Start training from a pretrained *.pt model
yolo segment train data=package-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Более подробную информацию см. на странице "Обучение модели".

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

Набор данных состоит из трех основных компонентов:

  • Обучающий набор: Содержит 1920 изображений с аннотациями.
  • Набор для тестирования: Состоит из 89 изображений с соответствующими аннотациями.
  • Валидационный набор: Включает 188 изображений с аннотациями.

Такая структура обеспечивает сбалансированный набор данных для тщательного обучения, проверки и тестирования моделей, что повышает эффективность алгоритмов сегментации.

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

Ultralytics YOLO11 обеспечивает современную точность и скорость для задач обнаружения и сегментации объектов в реальном времени. Его использование с набором данных Package Segmentation Dataset позволяет использовать возможности YOLO11 для точной сегментации упаковки. Такое сочетание особенно полезно для таких отраслей, как логистика и автоматизация складов, где точная идентификация упаковки имеет решающее значение. Для получения дополнительной информации ознакомьтесь с нашей страницей о сегментации YOLO11 .

Как я могу получить доступ и использовать файл package-seg.yaml для набора данных сегментации пакетов?

Сайт package-seg.yaml Файл размещен в репозитории Ultralytics' GitHub и содержит важную информацию о путях, классах и конфигурации набора данных. Вы можете скачать его с здесь. Этот файл очень важен для настройки моделей для эффективного использования набора данных.

Для получения более подробной информации и практических примеров изучите наш раздел "Использование".

📅 Создано 1 год назад ✏️ Обновлено 8 дней назад
гленн-джохер РизванМунавар УльтралитикаПомощник Мэтью Нойс jk4e

Комментарии