Link to this section包裹分割数据集#

包裹分割数据集是一个精心策划的图像合集，专门针对计算机视觉领域中与包裹分割相关的任务。该数据集旨在协助从事包裹识别、分拣和处理项目的研究人员、开发人员和爱好者，重点关注图像分割任务。

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

该数据集包含展示不同背景和环境下各种包裹的多样化图像，是训练和评估分割模型的宝贵资源。无论你从事物流、仓储自动化，还是任何需要精确包裹分析的应用，包裹分割数据集都为你提供了有针对性的全面图像，以增强你的计算机视觉算法性能。在我们的数据集概览页面上探索更多用于分割任务的数据集。

Link to this section数据集结构#

包裹分割数据集中的数据分布结构如下：

训练集：包含 1920 张图像及其相应的标注。
测试集：包含 188 张图像，每张图像都配有各自的标注。
验证集：包含 89 张图像，每张都带有相应的标注。

Link to this section应用#

由包裹分割数据集推动的包裹分割技术，对于优化物流、加强末端配送、改善制造业质量控制以及助力智慧城市解决方案至关重要。从电子商务到安全应用，该数据集是一项关键资源，为多样化且高效的包裹分析应用的计算机视觉创新提供了支持。

Link to this section智慧仓储与物流#

在现代仓库中，视觉 AI 解决方案可以通过自动化包裹识别和分拣来简化运营。在此数据集上训练的计算机视觉模型可以实时快速检测和分割包裹，即使是在照明昏暗或空间杂乱的挑战性环境中也是如此。这不仅加快了处理速度，减少了错误，还提高了物流运营的整体效率。

Link to this section质量控制与损坏检测#

包裹分割模型可用于通过分析其形状和外观来识别受损包裹。通过检测包裹轮廓中的不规则性或变形，这些模型有助于确保只有完好的包裹才能通过供应链，从而减少客户投诉和退货率。这是制造业质量控制的关键方面，对于维护产品完整性至关重要。

Link to this section数据集 YAML#

YAML（另一种标记语言）文件定义了数据集配置，包括路径、类和其他基本细节。对于包裹分割数据集，package-seg.yaml 文件托管在 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

Link to this section用法#

若要在包裹分割数据集上训练 Ultralytics YOLO26n 模型，进行 100 个 epoch，图像大小为 640，你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。

训练示例

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")

Link to this section示例数据与标注#

包裹分割数据集包含从多个角度拍摄的多样化图像。以下是来自数据集的数据实例，以及它们各自的分割掩码：

物流包裹分割数据集样本

此图像展示了一个包裹分割实例，其中包括勾勒出已识别包裹对象的标注掩码。该数据集整合了在不同地点、环境和密度下拍摄的各种图像。它是开发特定于此分割任务的模型的一项综合资源。
该示例强调了数据集中存在的多样性和复杂性，突显了高质量数据对于涉及包裹分割的计算机视觉任务的重要性。

Link to this section使用 YOLO26 进行包裹分割的好处#

Ultralytics YOLO26 在包裹分割任务中具有多项优势：

速度与精度的平衡：YOLO26 实现了高精度和高效率，非常适合快节奏物流环境中的实时推理。与 YOLOv8 等模型相比，它提供了极佳的平衡性。
适应性：使用 YOLO26 训练的模型可以适应各种仓库条件，从昏暗的照明到杂乱的空间，确保稳健的性能。
可扩展性：在节假日等高峰期，YOLO26 模型可以有效地进行扩展，以处理增加的包裹量，而不会影响性能或精度。
集成能力：YOLO26 可以轻松与现有的仓库管理系统集成，并使用 ONNX 或 TensorRT 等格式部署到各种平台上，从而促进端到端的自动化解决方案。

Link to this section引用与致谢#

如果你将包裹分割数据集整合到你的研究或开发计划中，请适当地引用来源：

引用

@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 },
}

我们感谢包裹分割数据集的创作者为计算机视觉社区所做的贡献。如需进一步探索数据集和模型训练，请访问我们的 Ultralytics 数据集页面以及我们的模型训练技巧指南。

Link to this section常见问题解答#

Link to this section什么是包裹分割数据集，它如何帮助完成计算机视觉项目？#

包裹分割数据集是一个精心策划的图像合集，专门针对涉及包裹图像分割的任务。它包含不同背景下各种包裹的多样化图像，使其对于训练和评估分割模型极具价值。该数据集特别适用于物流、仓储自动化以及任何需要精确包裹分析的应用项目。

Link to this section如何使用包裹分割数据集训练 Ultralytics YOLO26 模型？#

你可以通过 Python 和 CLI 两种方法训练 Ultralytics YOLO26 模型。请使用用法部分提供的代码片段。有关参数和配置的更多详细信息，请参阅模型训练页面。