SKU-110K Veri Kümesi#

11,743

SKU-110K

ultralytics

publicDetect

SKU-110K is Trax Retail's densely packed shelf-product benchmark, with over 1.7 million boxes in one generic object class. It targets extreme object density, small products, overlap, and repetitive packaging for retail shelf detection, counting, and inventory analysis.

1 class17.2 GBSep 2, 2026

object

object-detectionsku110kretail+1

SKU-110K veri kümesi, 8.219 eğitim, 588 doğrulama ve 2.936 test görüntüsüne ayrılmış, 11.743 yoğun biçimde ürünle dolu perakende rafı görüntüsünden oluşan tek sınıflı bir nesne tespiti veri kümesidir. Her ürün, object adlı tek bir sınıf altında bir sınırlayıcı kutuyla etiketlenmiştir — isim, görüntülerdeki 110.000'den fazla benzersiz stok tutma birimini (SKU) ifade eder; 110.000 tespit sınıfını değil. Eran Goldman ve diğerleri tarafından CVPR 2019 Yoğun Biçimde Dolu Sahnelerde Hassas Tespit makalesi için oluşturulan veri kümesinde 1,7 milyondan fazla etiketlenmiş ürün bulunur — görüntü başına ortalama yaklaşık 147 ürün — ve bu da kalabalık perakende ortamlarındaki bilgisayarlı görü modelleri için zorlu bir kıyaslama ölçütü oluşturur.

Temel Özellikler#

• Tek sınıflı tespit: Her ürün, object (names: {0: object}) adlı tek bir sınıf altında bir sınırlayıcı kutuyla etiketlenmiştir — açıklamalarda SKU başına kategori etiketleri bulunmaz.
• Aşırı nesne yoğunluğu: Dünyanın dört bir yanındaki mağaza rafı görüntülerinde ortalama yaklaşık 147 ürün, birbirine çok yakın ve yoğun biçimde sıralanmıştır; bu nesneler çoğu zaman birbirine benzer, hatta tıpatıp aynıdır.
• Büyük ölçek: 11.743 görüntüdeki 110.000'den fazla benzersiz SKU ve 1,7 milyondan fazla etiketlenmiş sınırlayıcı kutu, son teknoloji nesne dedektörlerini zorlar.

Veri Kümesi Yapısı#

SKU-110K veri kümesi, tümü aynı tek object sınıfını paylaşan üç alt kümeye ayrılmıştır:

Uygulamalar#

SKU-110K veri kümesi, özellikle perakende rafı sergileri gibi yoğun biçimde dolu sahnelerde, nesne tespiti görevlerindeki derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Kullanım alanları şunlardır:

• Perakende envanter yönetimi ve otomasyonu
• E-ticaret platformlarında ürün tanıma
• Planogram uyumluluğunun doğrulanması
• Mağazalardaki self-servis ödeme sistemleri
• Depolarda robotlarla toplama ve sıralama

Kendi raf görüntülerine açıklama eklemek, perakende tespiti veri kümelerini eğitmek ve yönetmek için tüm iş akışını tarayıcında Ultralytics Platform ile çalıştır.

Veri Kümesi YAML Dosyası#

SKU-110K.yaml dosyası, veri kümesi yollarını, sınıf adlarını ve diğer meta verileri içeren veri kümesi yapılandırmasını tanımlar. Dosya, Ultralytics deposunda https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/SKU-110K.yaml konumunda tutulur.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# SKU-110K retail items dataset https://github.com/eg4000/SKU110K_CVPR19 by Trax Retail
# Documentation: https://docs.ultralytics.com/datasets/detect/sku-110k
# Example usage: yolo train data=SKU-110K.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── SKU-110K ← downloads here (13.6 GB)

# 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: SKU-110K # dataset root dir
train: train.txt # train images (relative to 'path') 8219 images
val: val.txt # val images (relative to 'path') 588 images
test: test.txt # test images (optional) 2936 images

# Classes
names:
  0: object

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  import shutil
  from pathlib import Path

  import numpy as np
  import polars as pl

  from ultralytics.utils import TQDM
  from ultralytics.utils.downloads import download
  from ultralytics.utils.ops import xyxy2xywh

  # Download
  dir = Path(yaml["path"])  # dataset root dir
  parent = Path(dir.parent)  # download dir
  urls = ["http://trax-geometry.s3.amazonaws.com/cvpr_challenge/SKU110K_fixed.tar.gz"]
  download(urls, dir=parent)

  # Rename directories
  if dir.exists():
      shutil.rmtree(dir)
  (parent / "SKU110K_fixed").rename(dir)  # rename dir
  (dir / "labels").mkdir(parents=True, exist_ok=True)  # create labels dir

  # Convert labels
  names = "image", "x1", "y1", "x2", "y2", "class", "image_width", "image_height"  # column names
  for d in "annotations_train.csv", "annotations_val.csv", "annotations_test.csv":
      x = pl.read_csv(dir / "annotations" / d, has_header=False, new_columns=names, infer_schema_length=None).to_numpy()  # annotations
      images, unique_images = x[:, 0], np.unique(x[:, 0])
      with open((dir / d).with_suffix(".txt").__str__().replace("annotations_", ""), "w", encoding="utf-8") as f:
          f.writelines(f"./images/{s}\n" for s in unique_images)
      for im in TQDM(unique_images, desc=f"Converting {dir / d}"):
          cls = 0  # single-class dataset
          with open((dir / "labels" / im).with_suffix(".txt"), "a", encoding="utf-8") as f:
              for r in x[images == im]:
                  w, h = r[6], r[7]  # image width, height
                  xywh = xyxy2xywh(np.array([[r[1] / w, r[2] / h, r[3] / w, r[4] / h]]))[0]  # instance
                  f.write(f"{cls} {xywh[0]:.5f} {xywh[1]:.5f} {xywh[2]:.5f} {xywh[3]:.5f}\n")  # write label

Kullanım#

SKU-110K veri kümesinde YOLO26n modelini 640 görüntü boyutuyla 100 epoch boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin tam listesi için modelin Eğitim sayfasına bak.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="SKU-110K.yaml", epochs=100, imgsz=640)

Örnek Veriler ve Açıklamalar#

SKU-110K görüntüleri, yan yana duran ve birbirine çok benzeyen onlarca ürünün bulunduğu gerçek mağaza raflarını gösterir. Açıklamalarıyla birlikte bir örnek görüntü şöyle:

• Yoğun ürünlerle dolu perakende rafı görüntüsü: Bu görüntü, perakende rafı ortamındaki yoğun nesnelere bir örnek gösterir. Nesneler, tek object sınıfı altında sınırlayıcı kutularla etiketlenmiştir.

Ürünlerin yoğun biçimde dizilmesi, SKU-110K'yi sağlam perakende odaklı bilgisayarlı görü çözümleri geliştirmek için özellikle değerli kılar; görüntü başına yüksek nesne sayısı, dedektörleri tipik kıyaslama ölçütlerinin çok ötesinde zorlar.

Atıflar ve Teşekkürler#

SKU-110K veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleyi kaynak göster:

@inproceedings{goldman2019dense,
  author    = {Eran Goldman and Roei Herzig and Aviv Eisenschtat and Jacob Goldberger and Tal Hassner},
  title     = {Precise Detection in Densely Packed Scenes},
  booktitle = {Proc. Conf. Comput. Vision Pattern Recognition (CVPR)},
  year      = {2019}
}

Bilgisayarlı görü araştırma topluluğu için değerli bir kaynak olan SKU-110K veri kümesini oluşturup sürdürdükleri için Eran Goldman ve diğerlerine teşekkür ederiz. SKU-110K veri kümesi ve oluşturucuları hakkında daha fazla bilgi için SKU-110K veri kümesinin GitHub deposunu ziyaret et.

Sık Sorulan Sorular#