Ultralytics YOLO27：
Get Started
Research

SKU-110K 数据集#

SKU-110K 数据集是一个单类别目标检测数据集，包含 11,743 张商品密集排列的零售货架图像，划分为 8,219 张训练图像、588 张验证图像和 2,936 张测试图像。每件商品都使用单一类别 object 标注一个边界框——名称中的 110K 指的是这些场景中出现的 110,000 多个独特库存单位 (SKUs)，而不是 110,000 个检测类别。该数据集由 Eran Goldman 等人为 CVPR 2019 论文 Precise Detection in Densely Packed Scenes 创建，包含超过 170 万件已标注商品，平均每张图像约 147 件商品，因此是拥挤零售环境中计算机视觉模型的一项高难度基准测试。



观看： 如何训练 Ultralytics YOLO26 检测零售货架上的所有商品 | SKU-110K 🛒

SKU-110K 数据集商品密集排列的零售货架检测

主要功能#

  • 单类别检测：每件商品都使用单一类别 object (names: {0: object}) 标注一个边界框——标注中不包含 SKU 级别的类别标签。
  • 极高的目标密度：来自世界各地的商店货架图像平均每张约有 147 件紧密排列的商品，这些商品往往外观相似甚至完全相同，并且彼此距离很近。
  • 大规模数据集：11,743 张图像中包含 110,000 多个独特 SKU 和超过 170 万个已标注边界框，对最先进的目标检测器构成挑战。

数据集结构#

SKU-110K 数据集划分为三个子集，且都使用同一个类别 object：

划分图像说明
训练8,219用于模型训练的图像和标注
验证588训练期间留出的评估图像
测试2,936用于最终评估训练后模型的图像

应用场景#

SKU-110K 数据集广泛用于训练和评估目标检测任务中的深度学习模型，尤其适用于零售货架陈列等物体密集的场景。其应用包括：

  • 零售库存管理与自动化
  • 电子商务平台中的商品识别
  • 货架陈列图合规性验证
  • 商店自助结账系统
  • 仓库中的机器人拣选与分拣

如需标注自己的货架图像、训练和管理零售检测数据集，并在浏览器中运行完整工作流，请使用 Ultralytics Platform。

数据集 YAML#

SKU-110K.yaml 文件定义数据集配置，包括数据集路径、类别名称和其他元数据。该文件由 Ultralytics 仓库维护，地址为 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/SKU-110K.yaml。

ultralytics/cfg/datasets/SKU-110K.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# SKU-110K retail items dataset https://github.com/eg4000/SKU110K_CVPR19 by Trax Retail
# Documentation: https://docs.ultralytics.com/datasets/detect/sku-110k
# Example usage: yolo train data=SKU-110K.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── SKU-110K ← downloads here (13.6 GB)

# 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: SKU-110K # dataset root dir
train: train.txt # train images (relative to 'path') 8219 images
val: val.txt # val images (relative to 'path') 588 images
test: test.txt # test images (optional) 2936 images

# Classes
names:
  0: object

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  import shutil
  from pathlib import Path

  import numpy as np
  import polars as pl

  from ultralytics.utils import TQDM
  from ultralytics.utils.downloads import download
  from ultralytics.utils.ops import xyxy2xywh

  # Download
  dir = Path(yaml["path"])  # dataset root dir
  parent = Path(dir.parent)  # download dir
  urls = ["http://trax-geometry.s3.amazonaws.com/cvpr_challenge/SKU110K_fixed.tar.gz"]
  download(urls, dir=parent)

  # Rename directories
  if dir.exists():
      shutil.rmtree(dir)
  (parent / "SKU110K_fixed").rename(dir)  # rename dir
  (dir / "labels").mkdir(parents=True, exist_ok=True)  # create labels dir

  # Convert labels
  names = "image", "x1", "y1", "x2", "y2", "class", "image_width", "image_height"  # column names
  for d in "annotations_train.csv", "annotations_val.csv", "annotations_test.csv":
      x = pl.read_csv(dir / "annotations" / d, has_header=False, new_columns=names, infer_schema_length=None).to_numpy()  # annotations
      images, unique_images = x[:, 0], np.unique(x[:, 0])
      with open((dir / d).with_suffix(".txt").__str__().replace("annotations_", ""), "w", encoding="utf-8") as f:
          f.writelines(f"./images/{s}\n" for s in unique_images)
      for im in TQDM(unique_images, desc=f"Converting {dir / d}"):
          cls = 0  # single-class dataset
          with open((dir / "labels" / im).with_suffix(".txt"), "a", encoding="utf-8") as f:
              for r in x[images == im]:
                  w, h = r[6], r[7]  # image width, height
                  xywh = xyxy2xywh(np.array([[r[1] / w, r[2] / h, r[3] / w, r[4] / h]]))[0]  # instance
                  f.write(f"{cls} {xywh[0]:.5f} {xywh[1]:.5f} {xywh[2]:.5f} {xywh[3]:.5f}\n")  # write label

用法#

下载大小：13.6 GB

SKU-110K 会在首次训练时自动下载；其 11,743 张图像需要约 13.6 GB 的可用磁盘空间。下载脚本还会获取原始标注并将其转换为 YOLO 格式，这可能需要几分钟。

如需使用 SKU-110K 数据集以 640 的图像尺寸训练 YOLO26n 模型 100 个epoch，可以使用以下代码片段。可用参数的完整列表请参阅模型训练页面。

训练示例
from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="SKU-110K.yaml", epochs=100, imgsz=640)

示例数据和标注#

SKU-110K 图像记录了真实商店货架上密集排列的商品，其中数十件几乎相同的商品并排摆放。以下是带标注的示例图像：

SKU-110K 商店货架上的零售商品检测

  • 商品密集排列的零售货架图像：此图展示了零售货架场景中物体密集排列的示例。图中物体均使用单一类别 object 的边界框进行标注。

商品的密集排列使 SKU-110K 对开发面向零售场景的稳健计算机视觉解决方案尤为有价值，因为每张图像中的高目标数量让检测器面临远超常见基准的挑战。

引用与致谢#

如果你在研究或开发工作中使用 SKU-110K 数据集，请引用以下论文：

引用格式
@inproceedings{goldman2019dense,
  author    = {Eran Goldman and Roei Herzig and Aviv Eisenschtat and Jacob Goldberger and Tal Hassner},
  title     = {Precise Detection in Densely Packed Scenes},
  booktitle = {Proc. Conf. Comput. Vision Pattern Recognition (CVPR)},
  year      = {2019}
}

我们感谢 Eran Goldman 等人创建并维护 SKU-110K 数据集，为计算机视觉研究社区提供了宝贵资源。如需了解有关 SKU-110K 数据集及其创建者的更多信息，请访问 SKU-110K 数据集 GitHub 仓库。

常见问题#

  • SKU-110K 数据集是一个单类别目标检测数据集，包含 11,743 张商品密集排列的零售货架图像，由 Eran Goldman 等人为其 CVPR 2019 论文创建。每件商品都使用 object 类别标注一个边界框；图像涵盖了超过 110,000 个独特库存单位 (SKUs)，因此它是拥挤场景中目标检测以及构建零售计算机视觉系统的优质基准。

  • 没有。SKU-110K 是单类别数据集：每件商品都使用类别 object (names: {0: object}) 标注一个边界框。名称中的“110K”指图像中出现的独特库存单位 (SKUs) 数量，而不是检测类别的数量。

  • SKU-110K 数据集包含 11,743 张图像——8,219 张训练图像、588 张验证图像和 2,936 张测试图像——以及一个检测类别 object。详情请参阅数据集结构部分和SKU-110K.yaml配置。

  • SKU-110K 大约为 13.6 GB，首次使用 data="SKU-110K.yaml" 进行训练时会自动下载，无需手动下载。如需浏览较小的数据集选项，请参阅检测数据集概览。

  • 使用 SKU-110K 数据集训练 YOLO26 模型很简单。以下示例展示了如何以 640 的图像尺寸训练 YOLO26n 模型 100 个 epoch：

    训练示例
    from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="SKU-110K.yaml", epochs=100, imgsz=640)

    如需查看可用参数的完整列表，请参阅模型训练页面和模型训练技巧。

贡献者
GLglenn-jocher16RIRizwanMunawar4RAraimbekovm2PDpderrenger1MAMatthewNoyce1

评论