Bộ dữ liệu Phân đoạn Kiện hàng

Bộ dữ liệu Phân đoạn Kiện hàng là tập hợp các hình ảnh được tuyển chọn kỹ lưỡng, dành riêng cho các tác vụ liên quan đến phân đoạn kiện hàng trong lĩnh vực computer vision. Bộ dữ liệu này được thiết kế để hỗ trợ các nhà nghiên cứu, lập trình viên và những người đam mê làm việc trên các dự án liên quan đến nhận diện, phân loại và xử lý kiện hàng, chủ yếu tập trung vào các tác vụ image segmentation.

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

Với tập hợp đa dạng các hình ảnh mô tả nhiều loại kiện hàng trong các bối cảnh và môi trường khác nhau, bộ dữ liệu đóng vai trò là tài nguyên quý giá để huấn luyện và đánh giá các model phân đoạn. Cho dù bạn đang làm việc trong lĩnh vực logistics, tự động hóa kho bãi hay bất kỳ ứng dụng nào đòi hỏi phân tích kiện hàng chính xác, Bộ dữ liệu Phân đoạn Kiện hàng cung cấp một tập hợp hình ảnh toàn diện và có mục tiêu để nâng cao hiệu suất các thuật toán computer vision của bạn. Khám phá thêm các bộ dữ liệu cho các tác vụ phân đoạn trên trang tổng quan về bộ dữ liệu của chúng tôi.

Cấu trúc tập dữ liệu

Cấu trúc phân bổ dữ liệu trong Bộ dữ liệu Phân đoạn Kiện hàng như sau:

Tập huấn luyện (Training set): Bao gồm 1920 hình ảnh kèm theo các annotation tương ứng.
Tập kiểm thử (Testing set): Bao gồm 89 hình ảnh, mỗi hình ảnh được ghép nối với các annotation tương ứng.
Tập xác thực (Validation set): Bao gồm 188 hình ảnh, mỗi hình ảnh đi kèm với các annotation tương ứng.

Ứng dụng

Phân đoạn kiện hàng, được hỗ trợ bởi Bộ dữ liệu Phân đoạn Kiện hàng, là yếu tố then chốt 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 quan trọng, thúc đẩy sự đổi mới trong computer vision cho các ứng dụng phân tích kiện hàng đa dạng và hiệu quả.

Kho bãi thông minh và Logistics

Trong các kho bãi hiện đại, vision AI solutions có thể hợp lý hóa hoạt động bằng cách tự động hóa việc nhận diện và phân loại kiện hàng. Các model computer vision được huấn luyện trên bộ dữ liệu này có thể nhanh chóng phát hiện và phân đoạn kiện hàng trong thời gian thực, ngay cả trong những môi trường đầy thách thức với ánh sáng yếu hoặc không gian lộn xộn. Điều này dẫn đến thời gian xử lý nhanh hơn, giảm thiểu sai sót và cải thiện hiệu quả tổng thể trong logistics operations.

Kiểm soát chất lượng và Phát hiện hư hỏng

Các model phân đoạn kiện hàng có thể được sử dụng để xác định các kiện 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 kiện hàng, các model này giúp đảm bảo rằng chỉ những kiện hàng nguyên vẹn mới được tiếp tục qua chuỗi cung ứng, giảm khiếu nại của khách hàng và tỷ lệ hoàn trả. Đây là khía cạnh then chốt của quality control in manufacturing và rất quan trọng để duy trì tính toàn vẹn của sản phẩm.

Dataset YAML

Tệp YAML (Yet Another Markup Language) xác định cấu hình bộ dữ liệu, bao gồm các đường dẫn, class và các chi tiết cần thiết khác. Đối với bộ dữ liệu Phân đoạn Kiện 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

Cách sử dụng

Để huấn luyện model Ultralytics YOLO26n trên bộ dữ liệu Phân đoạn Kiện hàng trong 100 epochs với kích thước ảnh là 640, bạn có thể sử dụng các đoạn mã dưới đây. Để có danh sách đầy đủ các đối số, hãy tham khảo trang Huấn luyện của model.

Ví dụ huấn luyện

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")

Dữ liệu mẫu và Chú thích

Bộ dữ liệu Phân đoạn Kiện hàng bao gồm một bộ sưu tập 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 của chúng:

Mẫu bộ dữ liệu phân đoạn kiện hàng cho logistics

Hình ảnh này hiển thị một ví dụ về phân đoạn kiện hàng, bao gồm các mask đã được chú thích vạch ra các đối tượng kiện hàng được nhận diện. Bộ dữ liệu kết hợp một bộ sưu tập hình ảnh đa dạng được chụp ở các 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 segmentation task này.
Ví dụ này nhấn mạnh sự đa dạng và phức tạp có trong bộ dữ liệu, nêu bật tầm quan trọng của dữ liệu chất lượng cao đối với các tác vụ computer vision liên quan đến phân đoạn kiện hàng.

Lợi ích khi sử dụng YOLO26 cho Phân đoạn Kiện hàng

Ultralytics YOLO26 mang lại nhiều ưu điểm cho các tác vụ phân đoạn kiện hàng:

Cân bằng giữa Tốc độ và Độ chính xác: YOLO26 đạt được độ chính xác và hiệu suất cao, giúp 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 nghi với nhiều điều kiện kho bãi khác nhau, từ ánh sáng yếu đến không gian lộn xộn, đảm bảo hiệu suất mạnh mẽ.
Khả năng mở rộng (Scalability): Trong các giai đoạn cao điểm như mùa lễ hội, các model YOLO26 có thể mở rộng hiệu quả để xử lý khối lượng kiện hàng tăng lên mà không ảnh hưởng đến hiệu suất hoặc accuracy.
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.

Trích dẫn và Ghi nhận

Nếu bạn tích hợp bộ dữ liệu Phân đoạn Kiện 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 bộ dữ liệu Phân đoạn Kiện hàng vì những đóng góp của họ cho cộng đồng computer vision. Để tìm hiểu thêm về các bộ dữ liệu và huấn luyện model, hãy cân nhắc truy cập trang Ultralytics Datasets và hướng dẫn của chúng tôi về mẹo huấn luyện model.

Câu hỏi thường gặp (FAQ)