Bỏ để qua phần nội dung

Roboflow Tập dữ liệu phân đoạn gói vũ trụ

Các RoboflowBộ dữ liệu phân đoạn gói là một bộ sưu tập hình ảnh được sắp xếp đặc biệt phù hợp cho các nhiệm 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 trong các dự án liên quan đến nhận dạng, phân loại và xử lý gói hàng.

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/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://ultralytics.com/assets/package-seg.zip

Sử dụng

Đào tạo Ultralytics YOLOv8n mô hình trên tập dữ liệu Phân đoạn gói 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 có sẵn, hãy tham khảo trang Đào tạo mẫu.

Ví dụ về tàu hỏa

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-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 mẫu tập dữ liệu

  • Hình ảnh này hiển thị một ví dụ về 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 hình ảnh đa dạng được chụp ở các vị trí, môi trường và mật độ khác nhau. Nó phục vụ như 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.



Created 2024-01-25, Updated 2024-06-02
Authors: glenn-jocher (3), RizwanMunawar (1)

Ý kiến