包裹分割数据集

Package Segmentation Dataset可在 Roboflow Universe 上获取，它是一个精选的图像集合，专门为 计算机视觉 领域的包分割相关任务量身定制。该数据集旨在帮助研究人员、开发人员和爱好者从事涉及包识别、分类和处理的项目，主要侧重于 图像分割 任务。

观看： 使用 Ultralytics YOLO11 训练包裹分割模型 | 工业包裹 🎉

该数据集包含展示不同环境和上下文中各种包裹的图像，是训练和评估分割模型的宝贵资源。无论您从事物流、仓库自动化还是任何需要精确包裹分析的应用，包裹分割数据集都提供了一组有针对性的全面图像，以增强您的计算机视觉算法的性能。在我们的数据集概述页面上探索更多用于分割任务的数据集。

数据集结构

Package Segmentation Dataset 中的数据分布结构如下：

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

应用

由 Package Segmentation Dataset 提供的支持的包裹分割对于优化物流、改善最后一公里交付、提高制造质量控制以及为智慧城市解决方案做出贡献至关重要。从电子商务到安全应用，该数据集是一项关键资源，可促进计算机视觉在各种高效包裹分析应用中的创新。

智能仓库和物流

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类来简化运营。在此数据集上训练的计算机视觉模型可以快速实时地检测和分割包裹，即使在光线昏暗或空间杂乱的具有挑战性的环境中也是如此。这可以缩短处理时间、减少错误并提高物流运营的整体效率。

质量控制和损伤检测

通过分析包裹的形状和外观，可以使用包裹分割模型来识别损坏的包裹。通过检测包裹轮廓中的不规则或变形，这些模型有助于确保只有完好无损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一个关键方面，对于维护产品完整性至关重要。

数据集 YAML

YAML（Yet Another Markup Language）文件定义了数据集配置，包括路径、类和其他基本详细信息。对于 Package Segmentation 数据集， package-seg.yaml 文件保存在 https://github.com/ultralytics/ultralytics/blob/main/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

用法

要在 Package Segmentation 数据集上训练 Ultralytics YOLO11n 模型 100 个 epochs，图像大小为 640，您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。

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

样本数据和注释

包裹分割数据集包含从多个角度捕获的各种图像集合。以下是数据集中数据的实例，以及它们各自的分割掩码：

• 此图展示了一个包装分割的实例，其中包含带注释的掩码，用于勾勒出已识别的包装对象。该数据集包含在不同位置、环境和密度下拍摄的各种图像集合。它作为开发特定于此分割任务的模型的综合资源。
• 该示例强调了数据集中存在的多样性和复杂性，突出了高质量数据对于涉及包分割的计算机视觉任务的重要性。

使用 YOLO11 进行包裹分割的优势

Ultralytics YOLO11 为包分割任务提供了几个优势：

1. 速度和准确性平衡: YOLO11 实现了高精度和高效率，使其成为快节奏物流环境中实时推理的理想选择。 与YOLOv8等模型相比，它提供了强大的平衡。

2. 适应性: 使用 YOLO11 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。

3. 可扩展性：在节假日等高峰期，YOLO11模型可以有效地扩展以处理增加的包裹量，而不会影响性能或准确性。

4. 集成能力: YOLO11 可以轻松地与现有的仓库管理系统集成，并使用 ONNX 或 TensorRT 等格式部署在各种平台上，从而促进端到端的自动化解决方案。

引用和致谢

如果您将 Package Segmentation 数据集整合到您的研究或开发计划中，请适当引用来源：

@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 },
}

我们感谢 Package Segmentation 数据集的创建者为计算机视觉社区做出的贡献。要进一步探索数据集和模型训练，请考虑访问我们的 Ultralytics 数据集 页面和我们的 模型训练技巧 指南。

常见问题

什么是包裹分割数据集？它如何帮助计算机视觉项目？

• 包裹分割数据集是一个精选的图像集合，专为涉及包裹图像分割的任务而定制。它包括各种上下文中包裹的多样化图像，使其对于训练和评估分割模型非常宝贵。此数据集对于物流、仓库自动化以及任何需要精确包裹分析的项目特别有用。

如何在 Package Segmentation 数据集上训练 Ultralytics YOLO11 模型？

• 您可以使用 Python 和 CLI 方法训练 Ultralytics YOLO11 模型。使用用法部分中提供的代码片段。有关参数和配置的更多详细信息，请参阅模型训练页面。

Package Segmentation 数据集的组成部分是什么？它的结构是怎样的？

• 该数据集主要由三个部分组成：
  • 训练集: 包含 1920 张带有注释的图像。
  • 测试集: 包含 89 张带有相应标注的图像。
  • 验证集: 包括 188 张带有注释的图像。
• 这种结构确保了用于全面模型训练、验证和测试的平衡数据集，遵循模型评估指南中概述的最佳实践。

我为什么应该将 Ultralytics YOLO11 与 Package Segmentation Dataset 结合使用？

• Ultralytics YOLO11 为实时对象检测和分割任务提供了最先进的准确性和速度。将其与 Package Segmentation Dataset 结合使用，您可以利用 YOLO11 的功能进行精确的包裹分割，这对于物流和仓库自动化等行业尤其有益。

如何访问和使用 Package Segmentation Dataset 的 package-seg.yaml 文件？

• 字段 package-seg.yaml 该文件托管在 Ultralytics 的 GitHub 仓库中，包含关于数据集路径、类别和配置的重要信息。您可以在以下位置查看或下载： https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml。此文件对于配置您的模型以有效利用数据集至关重要。要了解更多见解和实际示例，请浏览我们的 Python 用法 部分。

📅 创建于 1 年前 ✏️ 更新于 5 个月前

评论