Paket Segmentasyon Veri Seti

Roboflow Universe'de bulunan Paket Segmentasyonu Veri Kümesi, bilgisayarla görme alanında paket segmentasyonu ile ilgili görevler için özel olarak hazırlanmış bir görüntü koleksiyonudur. Bu veri seti, öncelikle görüntü segmentasyon görevlerine odaklanarak paket tanımlama, sıralama ve işleme içeren projeler üzerinde çalışan araştırmacılara, geliştiricilere ve meraklılara yardımcı olmak için tasarlanmıştır.

İzle: Ultralytics YOLO11 | Endüstriyel Paketler Kullanarak Paket Segmentasyon Modelini Eğitin 🎉

Farklı bağlamlarda ve ortamlarda çeşitli paketleri sergileyen çeşitli görüntüler içeren veri seti, segmentasyon modellerini eğitmek ve değerlendirmek için değerli bir kaynak görevi görür. Lojistik, depo otomasyonu veya hassas paket analizi gerektiren herhangi bir uygulama ile uğraşıyorsanız, Paket Segmentasyonu Veri Seti, bilgisayarla görme algoritmalarınızın performansını artırmak için hedefli ve kapsamlı bir görüntü seti sağlar. Veri kümelerine genel bakış sayfamızda segmentasyon görevleri için daha fazla veri kümesi keşfedin.

Veri Kümesi Yapısı

Paket Segmentasyon Veri Setindeki verilerin dağılımı aşağıdaki gibi yapılandırılmıştır:

Eğitim seti: İlgili açıklamalarıyla birlikte 1920 görüntüyü kapsar.
Test seti: Her biri ilgili ek açıklamalarla eşleştirilmiş 89 görüntüden oluşur.
Doğrulama seti: Her biri ilgili açıklamalara sahip 188 görüntüden oluşur.

Uygulamalar

Paket Segmentasyonu Veri Seti tarafından kolaylaştırılan paket segmentasyonu, lojistiği optimize etmek, son kilometre teslimatını geliştirmek, üretim kalite kontrolünü iyileştirmek ve akıllı şehir çözümlerine katkıda bulunmak için çok önemlidir. Bu veri seti, e-ticaretten güvenlik uygulamalarına kadar çeşitli ve verimli paket analizi uygulamaları için bilgisayarla görme alanında inovasyonu teşvik eden önemli bir kaynaktır.

Akıllı Depolar ve Lojistik

Modern depolarda, görsel yapay zeka çözümleri paket tanımlama ve ayırma işlemlerini otomatikleştirerek operasyonları kolaylaştırabilir. Bu veri kümesi üzerinde eğitilen bilgisayarla görme modelleri, loş ışıklı veya dağınık alanların bulunduğu zorlu ortamlarda bile paketleri gerçek zamanlı olarak hızlı bir şekilde algılayabilir ve bölümlere ayırabilir. Bu da daha hızlı işlem süreleri, daha az hata ve lojistik operasyonlarında genel verimliliğin artmasını sağlar.

Kalite Kontrol ve Hasar Tespiti

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

Veri Kümesi YAML

Bir YAML (Yet Another Markup Language) dosyası, yollar, sınıflar ve diğer temel ayrıntılar dahil olmak üzere veri kümesi yapılandırmasını tanımlar. Paket Segmentasyonu veri kümesi için package-seg.yaml dosyası şu adreste tutulur 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

Kullanım

Eğitmek için Ultralytics YOLO11n modelini 640 görüntü boyutuyla 100 epok için Paket Segmentasyonu veri kümesi üzerinde eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi sayfasına bakın.

Tren Örneği

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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")

# Load a pretrained segmentation model and start training
yolo segment train data=package-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

# Resume training from the last checkpoint
yolo segment train data=package-seg.yaml model=path/to/last.pt resume=True

# Validate the trained model
yolo segment val data=package-seg.yaml model=path/to/best.pt

# Perform inference using the trained model
yolo segment predict model=path/to/best.pt source=path/to/image.jpg

Örnek Veriler ve Açıklamalar

Paket Segmentasyonu veri seti, farklı perspektiflerden çekilmiş çeşitli görüntü koleksiyonlarından oluşmaktadır. Aşağıda, ilgili segmentasyon maskeleriyle birlikte veri kümesinden veri örnekleri yer almaktadır:

Veri kümesi örnek görüntüsü

Bu görüntü, tanınan paket nesnelerinin ana hatlarını çizen açıklamalı maskeler içeren bir paket segmentasyonu örneğini göstermektedir. Veri kümesi, farklı konumlarda, ortamlarda ve yoğunluklarda çekilmiş çeşitli görüntü koleksiyonlarını içermektedir. Bu segmentasyon görevine özel modeller geliştirmek için kapsamlı bir kaynak görevi görür.
Örnek, veri setindeki çeşitliliği ve karmaşıklığı vurgulayarak paket segmentasyonunu içeren bilgisayarla görme görevleri için yüksek kaliteli verilerin öneminin altını çizmektedir.

Paket Segmentasyonu için YOLO11 Kullanmanın Faydaları

Ultralytics YOLO11 paket segmentasyon görevleri için çeşitli avantajlar sunar:

Hız ve Doğruluk Dengesi: YOLO11 yüksek hassasiyet ve verimliliğe ulaşarak hızlı lojistik ortamlarında gerçek zamanlı çıkarım için idealdir. gibi modellere kıyasla güçlü bir denge sağlar. YOLOv8.
Uyarlanabilirlik: YOLO11 ile eğitilen modeller, loş ışıktan dağınık alanlara kadar çeşitli depo koşullarına uyum sağlayarak sağlam performans sağlar.
Ölçeklenebilirlik: Tatil sezonları gibi yoğun dönemlerde, YOLO11 modelleri performans veya doğruluktan ödün vermeden artan paket hacimlerini işlemek için verimli bir şekilde ölçeklenebilir.
Entegrasyon Yetenekleri: YOLO11 , mevcut depo yönetim sistemleriyle kolayca entegre edilebilir ve aşağıdaki gibi formatlar kullanılarak çeşitli platformlara dağıtılabilir ONNX veya TensorRTuçtan uca otomatikleştirilmiş çözümleri kolaylaştırır.

Atıflar ve Teşekkür

Paket Segmentasyonu veri setini araştırma veya geliştirme girişimlerinize entegre ederseniz, lütfen kaynağa uygun şekilde atıfta bulunun:

BibTeX

@misc{ factory_package_dataset,
    title = { factory_package Dataset },
    type = { Open Source Dataset },
    author = { factorypackage },
    url = { https://universe.roboflow.com/factorypackage/factory_package },
    journal = { Roboflow Universe },
    publisher = { Roboflow },
    year = { 2024 },
    month = { jan },
    note = { visited on 2024-01-24 },
}

Paket Segmentasyonu veri setinin yaratıcılarına bilgisayarla görme topluluğuna katkılarından dolayı şükranlarımızı sunarız. Veri kümeleri ve model eğitimi hakkında daha fazla bilgi edinmek için Ultralytics Veri Kümeleri sayfamızı ve model eğitimi ipuçları kılavuzumuzu ziyaret edebilirsiniz.

SSS