Paket Segmentasyon Veri Kümesi

Paket Segmentasyon Veri Kümesi, bilgisayarlı görü alanındaki paket segmentasyonu ile ilgili görevler için özel olarak hazırlanmış bir görüntü koleksiyonudur. Bu veri kümesi, paket tanımlama, sınıflandırma ve taşıma gibi projeler üzerinde çalışan araştırmacılara, geliştiricilere ve meraklılara, öncelikli olarak görüntü segmentasyonu görevlerinde yardımcı olmak için tasarlanmıştır.

Watch: Train Package Segmentation Model using Ultralytics YOLO26 | Industrial Packages 🎉

Farklı bağlamlarda ve ortamlarda çeşitli paketleri sergileyen geniş bir görüntü yelpazesini içeren veri kümesi, segmentasyon modellerini eğitmek ve değerlendirmek için değerli bir kaynak görevi görür. Lojistik, depo otomasyonu veya hassas paket analizi gerektiren herhangi bir uygulamayla ilgileniyor ol fark etmez, Paket Segmentasyon Veri Kümesi, bilgisayarlı görü algoritmalarının performansını artırmak için hedefe yönelik ve kapsamlı bir görüntü seti sağlar. Segmentasyon görevlerine yönelik daha fazla veri kümesini veri kümelerine genel bakış sayfamızda keşfedebilirsin.

Veri Kümesi Yapısı

Paket Segmentasyon Veri Kümesi'ndeki veri dağılımı şu şekilde yapılandırılmıştır:

Eğitim kümesi: İlgili açıklamalarıyla birlikte 1920 görüntü içerir.
Test kümesi: Her biri ilgili açıklamalarıyla eşleştirilmiş 89 görüntüden oluşur.
Doğrulama kümesi: Her biri ilgili açıklamalarıyla birlikte 188 görüntüden oluşur.

Uygulamalar

Paket Segmentasyon Veri Kümesi tarafından desteklenen paket segmentasyonu, lojistiği optimize etmek, son kilometre teslimatını geliştirmek, üretimde kalite kontrolü iyileştirmek ve akıllı şehir çözümlerine katkıda bulunmak için hayati öneme sahiptir. E-ticaretten güvenlik uygulamalarına kadar bu veri kümesi, çeşitli ve verimli paket analizi uygulamaları için bilgisayarlı görü alanında yeniliği teşvik eden temel bir kaynaktır.

Akıllı Depolar ve Lojistik

Modern depolarda, görüntü tabanlı yapay zeka çözümleri, paket tanımlamayı ve sınıflandırmayı otomatize ederek operasyonları kolaylaştırabilir. Bu veri kümesi üzerinde eğitilen bilgisayarlı görü modelleri, düşük ışıklı veya düzensiz alanlar gibi zorlu ortamlarda bile paketleri gerçek zamanlı olarak hızlıca tespit edip segmente edebilir. Bu durum, daha hızlı işleme sürelerine, hata azalmasına ve lojistik operasyonlarında genel verimlilik artışına yol açar.

Kalite Kontrol ve Hasar Tespiti

Paket segmentasyon modelleri, şekillerini ve görünümlerini analiz ederek hasarlı paketleri tanımlamak için kullanılabilir. Paket ana hatlarındaki düzensizlikleri veya deformasyonları tespit ederek bu modeller, yalnızca sağlam paketlerin tedarik zincirinde ilerlemesini sağlamaya yardımcı olur, böylece müşteri şikayetlerini ve iade oranlarını azaltır. Bu, üretimde kalite kontrolün önemli bir yönüdür ve ürün bütünlüğünü korumak için hayati önem taşır.

Veri Kümesi YAML Dosyası

Bir YAML (Yet Another Markup Language) dosyası; yollar, sınıflar ve diğer temel detaylar dahil olmak üzere veri kümesi yapılandırmasını tanımlar. Paket Segmentasyon veri kümesi için package-seg.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml adresinde tutulmaktadır.

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

Kullanım

Bir Ultralytics YOLO26n modelini, 640 görüntü boyutu ile 100 epoch boyunca Paket Segmentasyon veri kümesi üzerinde eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için Eğitim sayfası model dokümantasyonuna başvur.

Eğitim Örneği

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")

Örnek Veriler ve Açıklamalar

Paket Segmentasyon veri kümesi, birden fazla perspektiften çekilmiş çeşitli bir görüntü koleksiyonundan oluşur. Aşağıda, ilgili segmentasyon maskeleriyle birlikte veri kümesinden veri örnekleri bulunmaktadır:

Lojistik için paket segmentasyonu veri kümesi örneği

Bu görsel, tanınan paket nesnelerini çevreleyen açıklamalı maskeleri içeren bir paket segmentasyonu örneğini göstermektedir. Veri kümesi, farklı konumlarda, ortamlarda ve yoğunluklarda çekilmiş çeşitli bir görüntü koleksiyonunu içerir. Bu segmentasyon görevi için özel modeller geliştirmek adına kapsamlı bir kaynak görevi görür.
Bu örnek, veri kümesinde mevcut olan çeşitliliği ve karmaşıklığı vurgulayarak, paket segmentasyonunu içeren bilgisayarlı görü görevleri için yüksek kaliteli verilerin öneminin altını çizmektedir.

Paket Segmentasyonu için YOLO26 Kullanmanın Avantajları

Ultralytics YOLO26, paket segmentasyonu görevleri için çeşitli avantajlar sunar:

Hız ve Doğruluk Dengesi: YOLO26, yüksek hassasiyet ve verimlilik sağlayarak hızlı tempolu lojistik ortamlarında gerçek zamanlı çıkarım için idealdir. YOLOv8 gibi modellere kıyasla güçlü bir denge sunar.
Uyarlanabilirlik: YOLO26 ile eğitilen modeller, loş ışıklandırmadan düzensiz alanlara kadar çeşitli depo koşullarına uyum sağlayabilir ve sağlam bir performans garantisi sunar.
Ölçeklenebilirlik: Tatil sezonları gibi yoğun dönemlerde, YOLO26 modelleri, performans veya doğruluktan ödün vermeden artan paket hacimlerini işlemek için verimli bir şekilde ölçeklenebilir.
Entegrasyon Yetenekleri: YOLO26, mevcut depo yönetim sistemleriyle kolayca entegre edilebilir ve ONNX veya TensorRT gibi formatlar kullanılarak çeşitli platformlarda dağıtılabilir, bu da uçtan uca otomatikleştirilmiş çözümleri kolaylaştırır.

Alıntılar ve Teşekkür

Paket Segmentasyon veri kümesini araştırmalarına veya geliştirme girişimlerine entegre edersen, lütfen kaynağı uygun şekilde belirt:

Alıntı

@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 },
}

Bilgisayarlı görü topluluğuna katkılarından dolayı Paket Segmentasyon veri kümesinin yaratıcılarına şükranlarımızı sunarız. Veri kümeleri ve model eğitimi hakkında daha fazla araştırma yapmak için Ultralytics Veri Kümeleri sayfamızı ve model eğitimi ipuçları hakkındaki rehberimizi incelemeyi düşünebilirsin.

SSS