包裹分割数据集

包裹分割数据集是一个专门为计算机视觉领域中与包裹分割相关的任务而精心策划的图像集合。该数据集旨在辅助那些从事包裹识别、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 🎉

该数据集包含了一组多样化的图像，展示了不同背景和环境下的各种包裹，是训练和评估分割模型的宝贵资源。无论你从事的是物流、仓库自动化，还是任何需要精确包裹分析的应用，包裹分割数据集都为你提供了一套有针对性的全面图像，以增强你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

包裹分割数据集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：由 89 张图像组成，每张图像均配有各自的标注。
验证集：包含 188 张图像，每张图像均带有相应的标注。

应用场景

得益于包裹分割数据集，包裹分割对于优化物流、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中的计算机视觉创新提供了动力。

智能仓库与物流

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操作。在此数据集上训练的计算机视觉模型可以实时快速检测并分割包裹，即使在光线昏暗或空间杂乱等具有挑战性的环境中也能表现出色。这带来了更快的处理时间、更少的错误，并提高了物流运营的整体效率。

质量控制与破损检测

通过分析形状和外观，包裹分割模型可用于识别破损的包裹。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整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环节，对于维持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、类别和其他必要细节。对于包裹分割数据集，package-seg.yaml 文件维护在 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

使用方法

要在包裹分割数据集上训练 Ultralytics YOLO26n 模型，进行 100 个 epoch 且图像大小为 640 的训练，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")

示例数据和标注

包裹分割数据集包含从多个视角拍摄的多样化图像集合。以下是来自该数据集的数据示例，附有它们各自的分割掩码：

物流包裹分割数据集示例

此图像展示了包裹分割的一个实例，具有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。它是一个全面的资源，专门用于开发针对此分割任务的模型。
该示例强调了数据集中存在的多样性和复杂性，凸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。

使用 YOLO26 进行包裹分割的优势

Ultralytics YOLO26 为包裹分割任务提供了多项优势：

速度与精度的平衡：YOLO26 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，确保了稳健的性能。
可扩展性：在节假日等高峰期，YOLO26 模型可以高效扩展以处理增加的包裹量，而不会牺牲性能或准确性。
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，从而促进端到端的自动化解决方案。

引文与致谢

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 },
}

我们向包裹分割数据集的创建者们表示感谢，感谢他们为计算机视觉社区所做的贡献。若要进一步探索数据集和模型训练，请考虑访问我们的 Ultralytics 数据集页面以及我们的模型训练技巧指南。

常见问题 (FAQ)

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心策划的图像集合，专为涉及包裹图像分割的任务而设计。它包含了在各种场景下的多样化包裹图像，这使其在训练和评估分割模型时具有极高价值。该数据集特别适用于物流、仓库自动化以及任何需要精确包裹分析的应用项目。

我该如何使用包裹分割数据集训练 Ultralytics YOLO26 模型？

你可以使用 Python 和 CLI 两种方法训练 Ultralytics YOLO26 模型。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，请参考模型训练页面。