Link to this sectionPaket Segmentasyon Veri Seti#

Paket Segmentasyon Veri Seti, bilgisayarlı görü alanındaki paket segmentasyonu ile ilgili görevler için özel olarak hazırlanmış bir görüntü koleksiyonudur. Bu veri seti, paket tanımlama, sıralama ve elleçleme içeren projelerde çalışan araştırmacılara, geliştiricilere ve meraklılara, öncelikli olarak görüntü segmentasyonu görevlerinde yardımcı olmak için tasarlanmıştır.

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

Çeşitli bağlamlarda ve ortamlarda farklı paketleri gösteren çok çeşitli görüntüleri içeren bu veri seti, segmentasyon modellerini eğitmek ve değerlendirmek için değerli bir kaynak görevi görür. İster lojistik, ister depo otomasyonu, ister hassas paket analizi gerektiren herhangi bir uygulama ile uğraşıyor ol, Paket Segmentasyon Veri Seti, bilgisayarlı görü algoritmalarının performansını artırmak için hedeflenmiş ve kapsamlı bir görüntü seti sunar. Segmentasyon görevleri için daha fazla veri setini veri setleri genel bakış sayfamızda keşfet.

Link to this sectionVeri Kümesi Yapısı#

Paket Segmentasyon Veri Seti'ndeki verilerin dağılımı şu şekilde yapılandırılmıştır:

Eğitim seti: İlgili ek açıklamalarıyla birlikte 1920 görüntü içerir.
Test seti: Her biri kendi ek açıklamalarıyla eşleştirilmiş 188 görüntüden oluşur.
Doğrulama seti: Her biri ilgili ek açıklamalara sahip 89 görüntü içerir.

Link to this sectionUygulamalar#

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

Link to this sectionAkıllı Depolar ve Lojistik#

Modern depolarda, görüntü tabanlı yapay zeka çözümleri, paket tanımlama ve sıralamayı otomatikleştirerek operasyonları hızlandırabilir. Bu veri seti ile eğitilmiş bilgisayarlı görü modelleri, düşük ışıklı veya dağınık alanlar gibi zorlu ortamlarda bile paketleri gerçek zamanlı olarak hızlıca tespit edip segmente edebilir. Bu durum, daha hızlı işlem süreleri, daha az hata ve lojistik operasyonlarında genel verimlilik artışı sağlar.

Link to this sectionKalite Kontrol ve Hasar Tespiti#

Paket segmentasyon modelleri, paketlerin şekil ve görünümlerini analiz ederek hasarlı paketleri tanımlamak için kullanılabilir. Paket 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.

Link to this sectionVeri Kümesi YAML#

Bir YAML (Yet Another Markup Language) dosyası, yollar, sınıflar ve diğer temel ayrıntılar dahil olmak üzere veri seti yapılandırmasını tanımlar. Paket Segmentasyon veri seti 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

Link to this sectionKullanım#

Bir Ultralytics YOLO26n modelini Paket Segmentasyon veri setinde 100 epoch boyunca 640 görüntü boyutuyla eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için Eğitim sayfası modeline 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")

Link to this sectionÖrnek Veriler ve Etiketler#

Paket Segmentasyon veri seti, birden fazla perspektiften çekilmiş çeşitli görüntü koleksiyonundan oluşur. Aşağıda, veri setinden alınan ve beraberinde ilgili segmentasyon maskelerini içeren örnekler yer almaktadır:

Lojistik için paket segmentasyon veri seti örneği

Bu görüntü, tanınan paket nesnelerini özetleyen ek açıklamalı maskelere sahip bir paket segmentasyonu örneğini göstermektedir. Veri seti, farklı konumlarda, ortamlarda ve yoğunluklarda çekilmiş çok çeşitli bir görüntü koleksiyonunu bünyesinde barındırır. Bu segmentasyon görevi için özel modeller geliştirmek adına kapsamlı bir kaynak görevi görür.
Bu örnek, veri setinde bulunan çeşitliliği ve karmaşıklığı vurgulayarak, paket segmentasyonu içeren bilgisayarlı görü görevleri için yüksek kaliteli verilerin öneminin altını çizmektedir.

Link to this sectionPaket Segmentasyonu için YOLO26 Kullanmanın Avantajları#

Ultralytics YOLO26, paket segmentasyon görevleri için çeşitli avantajlar sunar:

Hız ve Doğruluk Dengesi: YOLO26, yüksek hassasiyet ve verimlilik sağlayarak hızlı tempolu lojistik ortamlarında gerçek zamanlı çıkarım için ideal hale gelir. YOLOv8 gibi modellere kıyasla güçlü bir denge sağlar.
Uyumluluk: YOLO26 ile eğitilmiş modeller, loş ışıklı ortamlardan dağınık alanlara kadar çeşitli depo koşullarına uyum sağlayarak güçlü bir performans sergileyebilir.
Ölçeklenebilirlik: Tatil sezonları gibi yoğun dönemlerde, YOLO26 modelleri performanstan veya doğruluktan ödün vermeden artan paket hacimlerini yönetmek 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 otomatik çözümleri kolaylaştırır.

Link to this sectionAlıntılar ve Teşekkür#

Paket Segmentasyon veri setini araştırma 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 },
}

Paket Segmentasyon veri seti yaratıcılarına, bilgisayarlı görü topluluğuna katkılarından dolayı teşekkür ederiz. Veri setleri ve model eğitimi hakkında daha fazla keşif yapmak için Ultralytics Veri Setleri sayfamızı ve model eğitimi ipuçları hakkındaki rehberimizi ziyaret edebilirsin.

Link to this sectionSSS#