Bộ dữ liệu phân đoạn gói
Bộ dữ liệu phân đoạn gói, có sẵn trên Roboflow Universe, là một 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, chủ yếu tập trung vào các tác vụ phân đoạn hình ảnh .
Đồng hồ: Mô hình phân đoạn gói đào tạo sử dụng Ultralytics YOLO11 | Gói công nghiệp 🎉
Chứa một tập hợp hình ảnh đa dạng giới thiệu nhiều gói hàng khác nhau trong các bối cảnh và môi trường khác nhau, tập dữ liệu đóng vai trò là nguồn tài nguyên có giá trị để đào tạo và đánh giá các mô hình phân đoạn. Cho dù bạn đang tham gia vào hậu cần, tự động hóa kho hàng hay bất kỳ ứng dụng nào yêu cầu phân tích gói hàng chính xác, thì Bộ 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 tập dữ liệu
Phân phối dữ liệu trong Bộ dữ liệu phân đoạn gói được cấu trúc như sau:
- Bộ đào tạo : Bao gồm 1920 hình ảnh kèm theo chú thích tương ứng.
- Bộ kiểm tra : Bao gồm 89 hình ảnh, mỗi hình ảnh được ghép nối với chú thích tương ứng.
- Bộ xác thực : Bao gồm 188 hình ảnh, mỗi hình ảnh có chú thích tương ứng.
Ứng dụng
Phân đoạn gói hàng, được hỗ trợ bởi Bộ dữ liệu phân đoạn gói hàng, đóng vai trò quan trọng trong việc 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 hàng đa dạng và hiệu quả.
Kho thông minh và hậu cần
Trong các nhà kho hiện đại, các giải pháp AI về thị giác có thể hợp lý hóa các hoạt động bằng cách tự động hóa việc nhận dạng và phân loại gói hàng. Các mô hình thị giác máy tính được đào tạo trên tập dữ liệu này có thể nhanh chóng phát hiện và phân đoạn các gói hàng theo thời gian thực, ngay cả trong môi trường đầy thách thức với ánh sáng mờ hoặc không gian lộn xộn. Điều này dẫn đến thời gian xử lý nhanh hơn, giảm lỗi và cải thiện hiệu quả chung trong các hoạt động hậu cần .
Kiểm soát chất lượng và phát hiện thiệt hại
Các mô hình phân đoạn gói có thể được sử dụng để xác định các gói bị hỏng bằng cách phân tích hình dạng và ngoại hình của chúng. Bằng cách phát hiện các điểm bất thường hoặc biến dạng trong đường viền gói, các mô hình này giúp đảm bảo rằng chỉ những gói còn nguyên vẹn mới được đưa qua chuỗi cung ứng, giảm khiếu nại của khách hàng và tỷ lệ trả lại. Đây là 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.
Bộ dữ liệu YAML
Tệp YAML (Yet Another Markup Language) định nghĩa cấu hình tập dữ liệu, bao gồm đường dẫn, lớp và các chi tiết thiết yếu khác. Đối với tập dữ liệu Package Segmentation, package-seg.yaml tập tin 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 (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: train/images # train images (relative to 'path') 1920 images
val: valid/images # 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
Cách sử dụng
Để đào tạo mô hình Ultralytics YOLO11 n 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.
Ví dụ về tàu hỏa
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 Package Segmentation bao gồm một bộ sưu tập hình ảnh đa dạng được chụp từ nhiều góc nhìn. Dưới đây là các trường hợp dữ liệu từ bộ dữ liệu, kèm theo mặt nạ phân đoạn tương ứng của chúng:
- Hình ảnh này hiển thị một trường hợp phân đoạn gói, có các mặt nạ chú thích phác thảo các đối tượng gói được nhận dạng. 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 một nguồn tài nguyên toàn diện để phát triển các mô hình cụ thể cho nhiệm vụ phân đoạn này.
- Ví dụ này nhấn mạnh tính đa dạng và phức tạp hiện diện trong tập dữ liệu, nhấn mạnh tầm quan trọng của dữ liệu chất lượng cao đối với các tác vụ thị giác máy tính liên quan đến phân đoạn gói.
Lợi ích của việc sử dụng YOLO11 cho Phân đoạn Gói
Ultralytics YOLO11 cung cấp một số lợi thế cho nhiệm vụ phân đoạn gói:
-
Tốc độ và độ chính xác Cân bằng : YOLO11 đạt được độ chính xác và hiệu quả cao, lý tưởng cho suy luận thời gian thực trong môi trường hậu cần nhanh. Nó cung cấp sự cân bằng mạnh mẽ so với các mô hình như YOLOv8 .
-
Khả năng thích ứng : Các mô hình được đào tạo với YOLO11 có thể thích ứng với nhiều 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 những thời kỳ cao điểm như mùa lễ, YOLO11 Các mô hình 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 triển khai trên nhiều nền tảng khác nhau bằng 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 vào các sáng kiến nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn nguồn một cách thích hợp:
@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 sáng tạo ra tập dữ liệu Package Segmentation vì những đóng góp của họ cho cộng đồng thị giác máy tính. Để khám phá thêm về các tập dữ liệu và đào tạo mô hình, hãy cân nhắc truy cập trang Ultralytics Datasets và hướng dẫn của chúng tôi về các mẹo đào tạo mô hình .
CÂU HỎI THƯỜNG GẶP
Bộ dữ liệu phân đoạn gói 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 bộ sưu tập hình ảnh được tuyển chọn phù hợp với các tác vụ liên quan đến phân đoạn hình ảnh gói. Bộ dữ liệu này bao gồm nhiều hình ảnh khác nhau về các gói trong nhiều bối cảnh khác nhau, khiến nó trở nên vô giá đối với việc đào tạo và đánh giá các mô hình phân đoạn. 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 chính xác.
Làm thế nào để tôi đào tạo một Ultralytics YOLO11 mô hình trên Bộ dữ liệu phân đoạn gói hàng?
- Bạn có thể đào tạo mô hình Ultralytics YOLO11 bằng cả hai Python Và CLI phương pháp. Sử dụng các đoạn mã được cung cấp trong phần Sử dụng . Tham khảo trang Đào tạo mô hình để biết thêm chi tiết về đối số và cấu hình.
Các thành phần của Bộ 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 cho việc đào tạo, xác thực và thử nghiệm mô hình toàn diện, tuân theo các thông lệ tốt 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 tiên tiến cho các nhiệm 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 YOLO11 khả năng phân đoạn gói hàng chính xác, đặc biệt có lợi cho các ngành công nghiệp như hậu cần và tự động hóa kho bãi.
Làm thế nào tôi có thể truy cập và sử dụng tệp package-seg.yaml cho Bộ dữ liệu phân đoạn gói?
- Các
package-seg.yamltập tin 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 xem hoặc tải xuống tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml. Tệp này rất quan trọng để cấu hình các mô hình của bạn nhằm sử dụng tập dữ liệu một cách hiệu quả. Để biết thêm thông tin chi tiết và ví dụ thực tế, hãy khám phá Python Cách sử dụng phần.
