Gói Dữ Liệu Phân Đoạn

Bộ dữ liệu Phân đoạn Gói, có sẵn trên Roboflow Universe, là một bộ sưu tập hình ảnh được tuyển chọn đặc biệt phù hợp cho các tác vụ liên quan đến phân đoạn gói hàng trong lĩnh vực thị giác máy tính. Bộ dữ liệu này được thiết kế để hỗ trợ các nhà nghiên cứu, nhà phát triển và những người đam mê làm việc trong các dự án liên quan đến việc xác định, phân loại và xử lý gói hàng, chủ yếu tập trung vào các tác vụ phân đoạn hình ảnh.

Xem: Huấn luyện mô hình phân đoạn gói hàng bằng Ultralytics YOLO11 | Gói hàng công nghiệp 🎉

Chứa một tập hợp đa dạng các hình ảnh thể hiện các gói hàng khác nhau trong các bối cảnh và môi trường khác nhau, tập dữ liệu này đóng vai trò là một nguồn tài nguyên có giá trị để huấn luyện và đánh giá các mô hình phân đoạn. Cho dù bạn tham gia vào lĩnh vực logistics, tự động hóa kho hàng hoặc bất kỳ ứng dụng nào yêu cầu phân tích gói hàng chính xác, Tập dữ liệu Phân đoạn Gói hàng cung cấp một tập hợp hình ảnh toàn diện và có mục tiêu để nâng cao hiệu suất của các thuật toán thị giác máy tính của bạn. Khám phá thêm các tập dữ liệu cho các tác vụ phân đoạn trên trang tổng quan về tập dữ liệu của chúng tôi.

Cấu trúc bộ dữ liệu

Cấu trúc phân phối dữ liệu trong Package Segmentation Dataset như sau:

Tập huấn luyện: Bao gồm 1920 hình ảnh kèm theo các chú thích tương ứng của chúng.
Tập hợp thử nghiệm: Bao gồm 89 hình ảnh, mỗi hình ảnh đi kèm với các chú thích tương ứng.
Tập dữ liệu kiểm định (Validation set): Bao gồm 188 ảnh, mỗi ảnh đi kèm với các chú thích tương ứng.

Các ứng dụng

Phân đoạn gói hàng, được hỗ trợ bởi Bộ dữ liệu Phân đoạn Gói hàng, là rất quan trọng để tối ưu hóa logistics, tăng cường giao hàng chặng cuối, cải thiện kiểm soát chất lượng sản xuất và đóng góp vào các giải pháp thành phố thông minh. Từ thương mại điện tử đến các ứng dụng bảo mật, bộ dữ liệu này là một nguồn tài nguyên quan trọng, thúc đẩy sự đổi mới trong thị giác máy tính cho các ứng dụng phân tích gói hàng đa dạng và hiệu quả.

Kho thông minh và Hậu cần

Trong các nhà kho hiện đại, các giải pháp AI thị giác có thể hợp lý hóa các hoạt động bằng cách tự động hóa việc xác định và phân loại gói hàng. Các model computer vision được huấn luyện trên bộ dữ liệu này có thể nhanh chóng phát hiện và phân đoạn các gói hàng theo thời gian thực, ngay cả trong môi trường khó khăn với ánh sáng yếu hoặc không gian lộn xộn. Điều này dẫn đến thời gian xử lý nhanh hơn, giảm lỗi và cải thiện hiệu quả tổng thể trong các hoạt động logistics.

Kiểm soát Chất lượng và Phát hiện Hư hỏng

Các mô hình phân đoạn gói hàng có thể được sử dụng để xác định các gói hàng bị hư hỏng bằng cách phân tích hình dạng và hình thức bên ngoài của chúng. Bằng cách phát hiện các điểm bất thường hoặc biến dạng trong đường viền của gói hàng, các mô hình này giúp đảm bảo rằng chỉ những gói hàng còn nguyên vẹn mới được chuyển qua chuỗi cung ứng, giảm thiểu khiếu nại của khách hàng và tỷ lệ trả hàng. Đây là một khía cạnh quan trọng của kiểm soát chất lượng trong sản xuất và rất quan trọng để duy trì tính toàn vẹn của sản phẩm.

YAML bộ dữ liệu

Một tệp YAML (Yet Another Markup Language) xác định cấu hình tập dữ liệu, bao gồm đường dẫn, lớp và các chi tiết thiết yếu khác. Đối với tập dữ liệu Phân đoạn gói, thì package-seg.yaml tệp được duy trì tại 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 (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

Cách sử dụng

Để huấn luyện mô hình Ultralytics YOLO11n trên bộ dữ liệu Package Segmentation trong 100 epochs với kích thước ảnh là 640, bạn có thể sử dụng các đoạn mã sau. Để có danh sách đầy đủ các đối số có sẵn, hãy tham khảo trang Huấn luyện mô hình.

Ví dụ huấn luyện

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

Dữ liệu mẫu và Chú thích

Bộ dữ liệu Phân đoạn Gói bao gồm một bộ sưu tập đa dạng các hình ảnh được chụp từ nhiều góc độ. Dưới đây là các trường hợp dữ liệu từ bộ dữ liệu, kèm theo mặt nạ phân đoạn tương ứng của chúng:

Ảnh mẫu bộ dữ liệu

Hình ảnh này hiển thị một thể hiện của phân đoạn gói hàng, có các mặt nạ được chú thích phác thảo các đối tượng gói hàng được nhận dạng. Bộ dữ liệu kết hợp một bộ sưu tập đa dạng các hình ảnh được chụp ở các địa điểm, môi trường và mật độ khác nhau. Nó đóng vai trò là một nguồn tài nguyên toàn diện để phát triển các mô hình dành riêng cho tác vụ phân đoạn này.
Ví dụ này nhấn mạnh sự đa dạng và phức tạp có trong bộ dữ liệu, nhấn mạnh tầm quan trọng của dữ liệu chất lượng cao cho các tác vụ thị giác máy tính liên quan đến phân đoạn gói.

Lợi ích của việc sử dụng YOLO11 cho phân đoạn gói hàng

Ultralytics YOLO11 cung cấp một số lợi thế cho các tác vụ phân vùng gói hàng:

Cân bằng giữa tốc độ và độ chính xác: YOLO11 đạt được độ chính xác và hiệu quả cao, khiến nó trở nên lý tưởng cho suy luận theo thời gian thực trong môi trường logistics có nhịp độ nhanh. Nó cung cấp sự cân bằng mạnh mẽ so với các mô hình như YOLOv8.
Khả năng thích ứng: Các mô hình được huấn luyện bằng YOLO11 có thể thích ứng với các điều kiện kho khác nhau, từ ánh sáng yếu đến không gian lộn xộn, đảm bảo hiệu suất mạnh mẽ.
Khả năng mở rộng: Trong thời gian cao điểm như mùa lễ, các mô hình YOLO11 có thể mở rộng hiệu quả để xử lý khối lượng gói hàng tăng lên mà không ảnh hưởng đến hiệu suất hoặc độ chính xác.
Khả năng tích hợp: YOLO11 có thể dễ dàng tích hợp với các hệ thống quản lý kho hiện có và được triển khai trên nhiều nền tảng khác nhau bằng cách sử dụng các định dạng như ONNX hoặc TensorRT, tạo điều kiện cho các giải pháp tự động hóa đầu cuối.

Trích dẫn và Lời cảm ơn

Nếu bạn tích hợp bộ dữ liệu Phân đoạn Gói hàng vào các sáng kiến nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn nguồn một cách thích hợp:

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 },
}

Chúng tôi xin bày tỏ lòng biết ơn đến những người tạo ra bộ dữ liệu Package Segmentation vì đóng góp của họ cho cộng đồng thị giác máy tính. Để khám phá thêm về bộ dữ liệu và huấn luyện mô hình, hãy xem trang Bộ dữ liệu Ultralytics của chúng tôi và hướng dẫn về các mẹo huấn luyện mô hình.

Câu hỏi thường gặp

Tập dữ liệu Phân đoạn Gói hàng (Package Segmentation Dataset) là gì và nó có thể giúp ích như thế nào trong các dự án thị giác máy tính?

Bộ dữ liệu Phân đoạn Gói là một bộ sưu tập hình ảnh được tuyển chọn phù hợp cho các tác vụ liên quan đến phân đoạn hình ảnh gói hàng. Nó bao gồm các hình ảnh đa dạng về các gói hàng trong nhiều ngữ cảnh khác nhau, khiến nó trở nên vô giá để huấn luyện và đánh giá các mô hình phân đoạn. Bộ dữ liệu này đặc biệt hữu ích cho các ứng dụng trong lĩnh vực logistics, tự động hóa kho hàng và bất kỳ dự án nào yêu cầu phân tích gói hàng chính xác.

Làm cách nào để huấn luyện mô hình Ultralytics YOLO11 trên Bộ dữ liệu phân đoạn gói hàng?

Bạn có thể huấn luyện một mô hình Ultralytics YOLO11 bằng cả phương pháp Python và CLI. Sử dụng các đoạn mã được cung cấp trong phần Usage. Tham khảo trang Training của mô hình để biết thêm chi tiết về các đối số và cấu hình.

Các thành phần của Bộ dữ liệu phân đoạn gói hàng là gì và nó được cấu trúc như thế nào?

Bộ dữ liệu được cấu trúc thành ba thành phần chính:
- Tập huấn luyện: Chứa 1920 hình ảnh với các chú thích.
- Tập hợp thử nghiệm: Bao gồm 89 hình ảnh với các chú thích tương ứng.
- Tập dữ liệu kiểm định (Validation set): Bao gồm 188 ảnh kèm theo chú thích.
Cấu trúc này đảm bảo một bộ dữ liệu cân bằng để huấn luyện, xác thực và thử nghiệm mô hình kỹ lưỡng, tuân theo các phương pháp hay nhất được nêu trong hướng dẫn đánh giá mô hình.

Tại sao tôi nên sử dụng Ultralytics YOLO11 với Bộ dữ liệu phân đoạn gói hàng?

Ultralytics YOLO11 cung cấp độ chính xác và tốc độ vượt trội cho các tác vụ phát hiện đối tượng và phân đoạn theo thời gian thực. Việc sử dụng nó với Bộ dữ liệu phân đoạn gói cho phép bạn tận dụng khả năng của YOLO11 để phân đoạn gói chính xác, đặc biệt có lợi cho các ngành như logistics và tự động hóa kho bãi.

Làm cách nào để truy cập và sử dụng tệp package-seg.yaml cho Bộ dữ liệu phân đoạn gói hàng?

Hàm package-seg.yaml tệp được lưu trữ trên kho lưu trữ GitHub của Ultralytics và chứa thông tin cần thiết về đường dẫn, lớp và cấu hình của bộ dữ liệu. Bạn có thể xem hoặc tải xuống tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml. Tệp này rất quan trọng để định cấu hình các mô hình của bạn sử dụng dataset một cách hiệu quả. Để biết thêm thông tin chi tiết và các ví dụ thực tế, hãy khám phá Sử dụng Python ở phần này.

📅 Đã tạo 1 năm trước ✏️ Cập nhật 5 tháng trước