Roboflow Tập dữ liệu phân đoạn gói vũ trụ

Bộ dữ liệu phân đoạn gói Roboflow là bộ sưu tập hình ảnh được tuyển chọn đặc biệt dành cho các tác vụ liên quan đến phân đoạn gói 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 trên các dự án liên quan đến nhận dạng, phân loại và xử lý gói.

Chứa một bộ hình ảnh đa dạng hiển thị các gói khác nhau trong các bối cảnh và môi trường khác nhau, bộ dữ liệu đóng vai trò là tài nguyên quý giá để đào tạo và đánh giá các mô hình phân đoạn. Cho dù bạn đang tham gia vào hậu cần, tự động hóa kho hoặc bất kỳ ứng dụng nào yêu cầu phân tích gói hàng chính xác, Bộ dữ liệu phân đoạn gói hàng cung cấp một bộ hình ảnh được nhắm mục tiêu và toàn diện để nâng cao hiệu suất của các thuật toán thị giác máy tính của bạn.

Cấu trúc tập dữ liệu

Việc phân phối dữ liệu trong Tập dữ liệu phân đoạn gói được cấu trúc như sau:

• Bộ đào tạo: Bao gồm các hình ảnh năm 1920 kèm theo các chú thích tương ứng của chúng.
• Bộ thử nghiệm: Bao gồm 89 hình ảnh, mỗi hình ảnh được ghép nối với các chú thích tương ứng.
• Bộ xác thực: Bao gồm 188 hình ảnh, mỗi hình ảnh có chú thích tương ứng.

Ứng dụng

Phân khúc gói hàng, được hỗ trợ bởi Bộ dữ liệu phân đoạn gói hàng, rất quan trọng để tối ưu hóa hậu cần, 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 đa dạng và hiệu quả.

Tập dữ liệu YAML

Tệp YAML (Yet Another Markup Language) được sử dụng để xác định cấu hình tập dữ liệu. Nó chứa thông tin về đường dẫn, lớp và thông tin liên quan khác của tập dữ liệu. Trong trường hợp tập dữ liệu Phân đoạn gói, package-seg.yaml Tệp được duy trì tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: images/train # train images (relative to 'path') 1920 images
val: images/val # 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

Sử dụng

Để đào tạo Ultralytics Mô hình YOLO11n trên tập dữ liệu Package Segmentation cho 100 kỷ nguyên với kích thước hình ảnh là 640, bạn có thể sử dụng các đoạn mã sau. Để biết danh sách đầy đủ các đối số khả dụng, hãy tham khảo trang Đào tạo mô hình.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=package-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Dữ liệu mẫu và chú thích

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

• Hình ảnh này hiển thị một trường hợp phát hiện đối tượng hình ảnh, có các hộp giới hạn được chú thích với mặt nạ phác thảo các đối tượng 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 cụ thể cho nhiệm vụ này.
• Ví dụ nhấn mạnh sự đa dạng và phức tạp hiện diện trong bộ dữ liệu VisDrone, nhấn mạnh tầm quan trọng của dữ liệu cảm biến chất lượng cao đối với các nhiệm vụ thị giác máy tính liên quan đến máy bay không người lái.

Trích dẫn và xác nhận

Nếu bạn tích hợp bộ dữ liệu phân đoạn crack vào các sáng kiến nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn bài báo sau:

@misc{ factory_package_dataset,
    title = { factory_package Dataset },
    type = { Open Source Dataset },
    author = { factorypackage },
    howpublished = { \url{ https://universe.roboflow.com/factorypackage/factory_package } },
    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 bày tỏ lòng biết ơn đối với Roboflow nhóm vì những nỗ lực của họ trong việc tạo và duy trì bộ dữ liệu Phân đoạn gói, một tài sản quý giá cho các dự án hậu cần và nghiên cứu. Để biết thêm chi tiết về tập dữ liệu Phân đoạn gói và người tạo ra tập dữ liệu đó, vui lòng truy cập Trang tập dữ liệu phân đoạn gói.

FAQ

Cái gì Roboflow Tập dữ liệu phân đoạn gói và nó có thể giúp ích như thế nào trong các dự án thị giác máy tính?

Các Roboflow Tập dữ liệu phân đoạn gói là một bộ sưu tập hình ảnh được sắp xếp phù hợp với các tác vụ liên quan đến phân đoạn gói. Nó bao gồm hình ảnh đa dạng của các gói trong các bối cảnh khác nhau, làm cho nó trở nên vô giá cho việc đào tạo và đánh giá các mô hình phân khúc. Bộ dữ liệu này đặc biệt hữu ích cho các ứng dụng trong hậu cần, tự động hóa kho và bất kỳ dự án nào yêu cầu phân tích gói hàng chính xác. Nó giúp tối ưu hóa hậu cần và tăng cường các mô hình trực quan để xác định và phân loại gói hàng chính xác.

Làm thế nào để tôi đào tạo một Ultralytics Mô hình YOLO11 trên Bộ dữ liệu phân đoạn gói hàng?

Bạn có thể đào tạo một Ultralytics Mô hình YOLO11n sử dụng cả hai Python Và CLI phương pháp. Sử dụng các đoạn trích dưới đây:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model

# Train the model
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=package-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Tham khảo trang Đào tạo mô hình để biết thêm chi tiết.

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

Bộ dữ liệu được cấu trúc thành ba thành phần chính:

• Bộ đào tạo : Bao gồm 1920 hình ảnh có chú thích.
• Bộ kiểm tra : Bao gồm 89 hình ảnh có chú thích tương ứng.
• Bộ xác thực : Bao gồm 188 hình ảnh có chú thích.

Cấu trúc này đảm bảo một tập dữ liệu cân bằng để đào tạo, xác nhận và thử nghiệm mô hình kỹ lưỡng, nâng cao hiệu suất của các thuật toán phân đoạn.

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

Ultralytics YOLO11 cung cấp độ chính xác và tốc độ tiên tiến cho các tác vụ phát hiện và phân đoạn đối tượng theo thời gian thực. Sử dụng nó với Bộ dữ liệu phân đoạn gói cho phép bạn tận dụng các khả năng của YOLO11 để phân đoạn gói chính xác. Sự kết hợp này đặc biệt có lợi cho các ngành công nghiệp như hậu cần và tự động hóa kho, nơi mà việc xác định gói chính xác là rất quan trọng. Để biết thêm thông tin, hãy xem trang của chúng tôi về phân đoạn YOLO11 .

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

Các package-seg.yaml Tệp được lưu trữ trên Ultralytics' Kho lưu trữ GitHub và chứa thông tin cần thiết về đường dẫn, lớp và cấu hình của tập dữ liệu. Bạn có thể tải xuống từ Ở đây. Tệp này rất quan trọng để định cấu hình mô hình của bạn để sử dụng tập dữ liệu một cách hiệu quả.

Để biết thêm thông tin chi tiết và ví dụ thực tế, hãy khám phá phần Sử dụng của chúng tôi.

📅 Được tạo cách đây 9 tháng ✏️ Đã cập nhật cách đây 1 tháng

Ý kiến