Link to this sectionBộ dữ liệu Phân đoạn Gói hàng#

Bộ dữ liệu Phân đoạn Gói hàng là một tập hợp hình ảnh được tuyển chọn kỹ lưỡng, đặc biệt dành 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, lập trình viên và người đam mê thực hiện các dự án bao gồm nhận diện, phân loại và xử lý gói hàng, tập trung chủ yếu vào các tác vụ phân đoạn hình ảnh.

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

Bao gồm một tập hợp đa dạng các hình ảnh hiển thị nhiều loại gói hàng trong các bối cảnh và môi trường khác nhau, tập dữ liệu này là nguồn tài nguyên quý giá để huấn luyện và đánh giá các model segmentation. Cho dù bạn đang tham gia vào lĩnh vực logistics, tự động hóa kho bãi hay bất kỳ ứng dụng nào yêu cầu phân tích gói hàng chính xác, Package Segmentation Dataset cung cấp một tập hợp hình ảnh toàn diện và có mục tiêu để nâng cao hiệu suất cho các thuật toán computer vision của bạn. Khám phá thêm các tập dữ liệu cho các tác vụ segmentation trên trang tổng quan về tập dữ liệu của chúng tôi.

Link to this sectionCấu trúc tập dữ liệu#

Phân bổ dữ liệu trong Bộ dữ liệu Phân đoạn Gói hàng được cấu trúc như sau:

Tập huấn luyện: Bao gồm 1920 hình ảnh đi kèm với các chú thích tương ứng.
Tập kiểm thử: Bao gồm 188 hình ảnh, mỗi hình ảnh được ghép nối với chú thích tương ứng.
Tập kiểm chứng: Bao gồm 89 hình ảnh, mỗi hình ảnh đi kèm với chú thích tương ứng.

Link to this sectionỨng dụng#

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

Link to this sectionKho hàng Thông minh và Logistics#

Trong các kho hàng hiện đại, các giải pháp AI thị giác có thể hợp lý hóa quy trình vận hành bằng cách tự động hóa việc nhận diện và phân loại gói hàng. Các model thị giác máy tính được huấn luyện trên bộ dữ liệu này có thể nhanh chóng phát hiện và phân đoạn các gói hàng trong thời gian thực, ngay cả trong những môi trường đầy thách thức như ánh sáng mờ hoặc không gian bừa bộn. Điều này dẫn đến thời gian xử lý nhanh hơn, giảm thiểu sai sót và cải thiện hiệu quả tổng thể trong vận hành logistics.

Link to this sectionKiểm soát Chất lượng và Phát hiện Hư hỏng#

Các model 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 diện mạo của chúng. Bằng cách phát hiện những điểm bất thường hoặc biến dạng trong đường viền gói hàng, các model này giúp đảm bảo rằng chỉ những gói hàng nguyên vẹn mới được đi qua chuỗi cung ứng, giảm thiểu khiếu nại của khách hàng và tỷ lệ hoàn trả. Đây là khía cạnh then chốt của kiểm soát chất lượng trong sản xuất và đóng vai trò quan trọng trong việc duy trì tính toàn vẹn của sản phẩm.

Link to this sectionYAML tập dữ liệu#

Một tệp YAML (Yet Another Markup Language) định nghĩa cấu hình bộ dữ liệu, bao gồm các đường dẫn, các lớp (classes) và các chi tiết thiết yếu khác. Đối với bộ dữ liệu Phân đoạn Gói hàng, tệp package-seg.yaml 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

Link to this sectionCách sử dụng#

Để huấn luyện một model Ultralytics YOLO26n trên tập dữ liệu Package Segmentation trong 100 epochs với kích thước ảnh là 640, bạn có thể sử dụng các đoạn code sau. Để có danh sách đầy đủ các đối số khả dụng, hãy tham khảo trang Training của model.

Ví dụ về Training

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 sectionDữ liệu mẫu và Chú thích#

Bộ dữ liệu Phân đoạn Gói hàng bao gồm một tập hợp các hình ảnh đa dạng được chụp từ nhiều góc độ khác nhau. Dưới đây là các ví dụ về dữ liệu từ bộ dữ liệu, đi kèm với các mask phân đoạn tương ứng:

Mẫu bộ dữ liệu phân đoạn gói hàng cho logistics

Hình ảnh này hiển thị một ví dụ về package segmentation, với các mask được chú thích phác thảo các đối tượng gói hàng đã nhận diện. Tập dữ liệu kết hợp một bộ sưu tập đa dạng các hình ảnh được chụp ở nhiều địa điểm, môi trường và mật độ khác nhau. Nó đóng vai trò là nguồn tài nguyên toàn diện để phát triển các model cụ thể cho tác vụ segmentation này.
Ví dụ này nhấn mạnh tính đa dạng và độ 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 hàng.

Link to this sectionLợi ích của việc sử dụng YOLO26 cho Phân đoạn Gói hàng#

Ultralytics YOLO26 mang lại một số ưu điểm cho các tác vụ package segmentation:

Cân bằng giữa tốc độ và độ chính xác: YOLO26 đạt được độ chính xác và hiệu suất cao, khiến nó trở nên lý tưởng cho real-time inference trong các môi trường logistics nhịp độ nhanh. Nó cung cấp sự cân bằng mạnh mẽ so với các model như YOLOv8.
Khả năng thích ứng: Các model được huấn luyện với YOLO26 có thể thích ứng với nhiều điều kiện kho hàng khác nhau, từ ánh sáng mờ đến các không gian bừa bộn, đảm bảo hiệu suất ổn định.
Khả năng mở rộng: Trong các giai đoạn cao điểm như mùa lễ hội, các model YOLO26 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: YOLO26 có thể dễ dàng tích hợp với các hệ thống quản lý kho hiện có và 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 end-to-end.

Link to this sectionTrích dẫn và Ghi nhận#

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 phù hợp:

Trích dẫn

@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 },
}

Chúng tôi xin gửi lời cảm ơn tới những người tạo ra tập dữ liệu Package Segmentation vì đóng góp của họ cho cộng đồng computer vision. Để tìm hiểu thêm về các tập dữ liệu và huấn luyện model, hãy cân nhắc truy cập trang Ultralytics Datasets của chúng tôi và hướng dẫn về mẹo huấn luyện model.

Link to this sectionCâu hỏi thường gặp#