跳至内容

SKU-110k 数据集

SKU-110k数据集是一个密集的零售货架图像集合,旨在支持物体检测任务的研究。该数据集由 Eran Goldman 等人开发,包含超过 110,000 个独特的商店保管单位 (SKU) 类别,这些类别中的物体排列密集,通常看起来相似甚至相同,而且位置非常接近。



观看: 如何使用Ultralytics | 零售数据集在 SKU-110k 数据集上训练 YOLOv10

数据集样本图像

主要功能

  • SKU-110k 包含世界各地商店货架的图像,其特点是物体密集,给最先进的物体检测器带来了挑战。
  • 该数据集包括 110,000 多个独特的 SKU 类别,提供了多种多样的物体外观。
  • 注释包括对象的边界框和 SKU 类别标签。

数据集结构

SKU-110k 数据集主要分为三个子集:

  1. 训练集:该子集包含用于训练物体检测模型的图像和注释。
  2. 验证集:该子集包括在训练过程中用于模型验证的图像和注释。
  3. 测试集:该子集用于对训练有素的物体检测模型进行最终评估。

应用

SKU-110k 数据集广泛用于训练和评估物体检测任务中的深度学习模型,尤其是在零售货架陈列等密集场景中。该数据集的 SKU 类别多样,物体排列密集,是计算机视觉领域研究人员和从业人员的宝贵资源。

数据集 YAML

YAML(另一种标记语言)文件用于定义数据集配置。它包含数据集的路径、类和其他相关信息。就 SKU-110K 数据集而言,YAML 文件包括 SKU-110K.yaml 文件保存在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/SKU-110K.yaml.

ultralytics/cfg/datasets/SKU-110K.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 pandas as pd
  from tqdm 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 = pd.read_csv(dir / 'annotations' / d, names=names).values  # annotations
      images, unique_images = x[:, 0], np.unique(x[:, 0])
      with open((dir / d).with_suffix('.txt').__str__().replace('annotations_', ''), 'w') 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') 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

使用方法

要在 SKU-110K 数据集上对 YOLO11n 模型进行 100次历时训练(图像大小为 640),可以使用以下代码片段。有关可用参数的完整列表,请参阅模型训练页面。

列车示例

from ultralytics import YOLO

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

# Train the model
results = model.train(data="SKU-110K.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=SKU-110K.yaml model=yolo11n.pt epochs=100 imgsz=640

样本数据和注释

SKU-110k 数据集包含一组不同的零售货架图像,其中有密集的物体,为物体检测任务提供了丰富的背景信息。下面是数据集中的一些数据示例及其相应的注释:

数据集样本图像

  • 密集包装的零售货架图像:该图像展示了零售货架上密集排列的物体。物体上标注有边界框和 SKU 类别标签。

该示例展示了 SKU-110k 数据集中数据的多样性和复杂性,并强调了高质量数据对于物体检测任务的重要性。

引文和致谢

如果您在研究或开发工作中使用 SKU-110k 数据集,请引用以下论文:

@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}
}

Eran Goldman 等人创建并维护了 SKU-110k 数据集,为计算机视觉研究界提供了宝贵的资源,我们在此表示感谢。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 存储库

常见问题

什么是 SKU-110k 数据集,为什么它对物体检测很重要?

SKU-110k 数据集由密集的零售货架图像组成,旨在帮助研究物体检测任务。该数据集由 Eran Goldman 等人开发,包含超过 110,000 个独特的 SKU 类别。该数据集的重要性在于,它能够以不同的物体外观和近距离来挑战最先进的物体检测器,使其成为计算机视觉研究人员和从业人员的宝贵资源。有关该数据集结构和应用的更多信息,请参阅我们的SKU-110k 数据集部分。

如何使用 SKU-110k 数据集训练YOLO11 模型?

在 SKU-110k 数据集上训练YOLO11 模型非常简单。下面是一个例子,在图像大小为 640 的情况下,对 YOLO11n 模型进行 100 次训练:

列车示例

from ultralytics import YOLO

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

# Train the model
results = model.train(data="SKU-110K.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=SKU-110K.yaml model=yolo11n.pt epochs=100 imgsz=640

有关可用参数的完整列表,请参阅模型培训页面。

SKU-110k 数据集有哪些主要子集?

SKU-110k 数据集主要分为三个子集:

  1. 训练集:包含用于训练物体检测模型的图像和注释。
  2. 验证集:包括在训练过程中用于模型验证的图像和注释。
  3. 测试集:用于对训练有素的物体检测模型进行最终评估。

详情请参阅数据集结构部分。

如何配置用于训练的 SKU-110k 数据集?

SKU-110k 数据集配置是在 YAML 文件中定义的,其中包括数据集路径、类和其他相关信息的详细信息。数据集 SKU-110K.yaml 文件保存在 SKU-110K.yaml.例如,您可以使用这种配置来训练一个模型,如我们的 使用方法 节。

SKU-110k 数据集在深度学习方面有哪些主要特点?

SKU-110k 数据集收录了世界各地商店货架的图像,展示了密集的物体,给物体检测器带来了巨大挑战:

  • 超过 110,000 个独特的 SKU 类别
  • 多样的物体外观
  • 注释包括边界框和 SKU 类别标签

这些特征使得 SKU-110k 数据集在训练和评估物体检测任务中的深度学习模型时特别有价值。更多详情,请参阅 "关键特征"部分。

如何在研究中引用 SKU-110k 数据集?

如果您在研究或开发工作中使用 SKU-110k 数据集,请引用以下论文:

@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}
}

有关该数据集的更多信息,请参阅 "引用和致谢 "部分。

📅创建于 1 年前 ✏️已更新 2 个月前

评论