Roboflow Набор данных для сегментации вселенских пакетов

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

Содержащий разнообразный набор изображений, демонстрирующих различные упаковки в различных контекстах и окружениях, этот набор данных служит ценным ресурсом для обучения и оценки моделей сегментации. Если ты занимаешься логистикой, автоматизацией склада или любым другим приложением, требующим точного анализа упаковки, то Package Segmentation Dataset предоставит тебе целевой и полный набор изображений для повышения производительности алгоритмов компьютерного зрения.

Структура набора данных

Распределение данных в наборе Package Segmentation Dataset построено следующим образом:

• Тренировочный 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, которой способствует набор данных Package Segmentation Dataset, имеет решающее значение для оптимизации логистики, улучшения доставки на последнюю милю, повышения контроля качества производства, а также для решений в области "умных городов". От электронной коммерции до приложений безопасности - этот набор данных является ключевым ресурсом, способствующим инновациям в области компьютерного зрения для разнообразных и эффективных приложений анализа упаковки.

Набор данных YAML

Для определения конфигурации набора данных используется файл YAML (Yet Another Markup Language). В нем содержится информация о путях, классах и других важных сведениях набора данных. В случае с набором 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 YOLO 🚀, AGPL-3.0 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: images/train # train images (relative to 'path') 1920 images
val: images/val # 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

Чтобы обучить модель Ultralytics YOLOv8n на датасете Package Segmentation в течение 100 эпох с размером изображения 640, ты можешь воспользоваться следующими фрагментами кода. Полный список доступных аргументов смотри на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-seg.pt epochs=100 imgsz=640

Образцы данных и аннотации

Набор данных Package Segmentation состоит из разнообразной коллекции изображений и видео, снятых с разных ракурсов. Ниже приведены примеры данных из этого набора, сопровождаемые соответствующими аннотациями:

• На этом изображении показан пример распознавания объектов на изображении: аннотированные ограничительные рамки с масками, очерчивающими распознанные объекты. Этот 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, присутствующие в наборе данных VisDrone, подчеркивая значимость высококачественных сенсорных данных для задач компьютерного зрения с участием беспилотников.

Цитаты и благодарности

Если ты используешь набор данных о сегментации трещин в своих исследованиях или разработках, пожалуйста, ссылайся на следующую статью:

@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.

ВОПРОСЫ И ОТВЕТЫ

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

Roboflow Package Segmentation Dataset - это коллекция изображений, созданная специально для задач, связанных с сегментацией 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 зрения для точной идентификации и сортировки пакетов.

Как обучить модель Ultralytics YOLOv8 на наборе данных Package Segmentation Dataset?

Ты можешь обучить модель Ultralytics YOLOv8n , используя методы Python и CLI . Используй приведенные ниже фрагменты:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-seg.pt epochs=100 imgsz=640

Подробнее об этом читай на странице " Обучение модели".

Из каких компонентов состоит набор данных Package Segmentation Dataset и как он устроен?

The dataset is structured into three main components:

• Training set: Contains 1920 images with annotations.
• Testing set: Comprises 89 images with corresponding annotations.
• Validation set: Includes 188 images with annotations.

Такая структура обеспечивает сбалансированный набор данных для тщательного обучения, валидации и тестирования моделей, повышая производительность алгоритмов сегментации.

Почему я должен использовать Ultralytics YOLOv8 с набором данных Package Segmentation Dataset?

Ultralytics YOLOv8 обеспечивает современную точность и скорость для задач обнаружения и сегментации объектов в реальном времени. Использование его вместе с набором данных Package Segmentation Dataset позволяет тебе использовать возможности YOLOv8 для точной сегментации упаковки. Такое сочетание особенно полезно для таких отраслей, как логистика и автоматизация складов, где точная идентификация упаковки имеет решающее значение. За дополнительной информацией обращайся на нашу страницу о сегментации YOLOv8 .

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

The package-seg.yaml Файл размещен на Ultralytics' GitHub-репозитории и содержит важную информацию о путях, классах и конфигурации набора данных. Ты можешь скачать его с здесь. Этот файл очень важен для настройки твоих моделей на эффективное использование набора данных.

Чтобы узнать больше и найти практические примеры, изучи наш раздел " Использование".

📅 Created 7 months ago ✏️ Updated 4 days ago

Комментарии