软件包分割数据集

包装分割数据集可在Roboflow Universe 上获取，它是为计算机视觉领域中与包装分割相关的任务而专门定制的图像集合。该数据集旨在帮助研究人员、开发人员和爱好者开展涉及软件包识别、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 | 工业包装 🎉训练包装分类模型

该数据集包含一组多样化的图像，展示了不同背景和环境下的各种包装，是训练和评估分割模型的宝贵资源。无论您是从事物流、仓库自动化还是任何需要对包装进行精确分析的应用，包装分割数据集都能为您提供有针对性的综合图像集，从而提高计算机视觉算法的性能。在我们的数据集概览页面探索更多用于分割任务的数据集。

数据集结构

包装分割数据集的数据分布结构如下：

训练集：包含 1920 幅图像及其相应的注释。
测试集：由 89 幅图像组成，每幅图像都与各自的注释配对。
验证集：由 188 幅图像组成，每幅图像都有相应的注释。

应用

由包装分割数据集（Package Segmentation Dataset）推动的包装分割对于优化物流、加强最后一英里配送、改进制造质量控制以及促进智能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，促进了计算机视觉领域的创新，实现了多样化和高效的包装分析应用。

智能仓库和物流

在现代仓库中，视觉人工智能解决方案可以通过自动识别和分拣包裹来简化操作。即使在光线昏暗或空间杂乱的挑战性环境中，根据该数据集训练的计算机视觉模型也能实时快速地检测和分割包裹。这就加快了处理时间，减少了错误，提高了物流操作的整体效率。

质量控制和损坏检测

包装分割模型可通过分析包装的形状和外观来识别损坏的包装。通过检测包装轮廓的不规则或变形，这些模型有助于确保只有完好无损的包装才能通过供应链，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，对保持产品完整性至关重要。

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、类和其他重要细节。对于包分割数据集，YAML 文件中的 package-seg.yaml 文件保存在 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 (102 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: ../datasets/package-seg # dataset root dir
train: train/images # train images (relative to 'path') 1920 images
val: valid/images # val images (relative to 'path') 89 images
test: test/images # 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

培训 Ultralytics YOLO11n 模型时，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

PythonCLI

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

包装分割数据集包含从多个角度拍摄的各种图像。以下是数据集中的数据实例，并附有各自的分割掩码：

数据集样本图像

这幅图像显示了一个包裹分割实例，其特点是用注释遮罩勾勒出识别出的包裹对象。该数据集包含在不同地点、环境和密度下拍摄的各种图像。该数据集是开发该分割任务专用模型的综合资源。
该示例强调了数据集的多样性和复杂性，突出了高质量数据对于涉及包装分割的计算机视觉任务的重要性。

使用YOLO11 进行包装分割的优势

Ultralytics YOLO11为包装分割任务提供了多项优势：

速度与精度的平衡：YOLO11 实现了高精度和高效率，是快节奏物流环境中实时推理的理想选择。与 YOLOv8.
适应性强：使用YOLO11 训练的模型可以适应从昏暗照明到杂乱空间等各种仓库条件，确保性能稳定。
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。
集成能力：YOLO11 可与现有的仓库管理系统轻松集成，并使用以下格式在各种平台上进行部署 ONNX或 TensorRT等格式在各种平台上部署，从而促进端到端的自动化解决方案。

引文和致谢

如果您将包装分类数据集纳入您的研究或开发计划，请适当注明来源：

BibTeX

@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 },
}

我们对包分割数据集的创建者表示感谢，感谢他们为计算机视觉界做出的贡献。如需进一步了解数据集和模型训练，请访问我们的Ultralytics 数据集页面和模型训练技巧指南。

常见问题

什么是包分割数据集，它对计算机视觉项目有何帮助？

包装分割数据集是专为涉及包装图像分割的任务而设计的图像集合。该数据集包含各种背景下的包装图像，因此对于训练和评估分割模型非常有价值。该数据集尤其适用于物流、仓库自动化和任何需要精确包装分析的项目。

如何在软件包分类数据集上训练Ultralytics YOLO11 模型？

您可以训练一个 Ultralytics YOLO11模型。请使用 "使用方法"部分提供的代码片段。有关参数和配置的更多详情，请参阅模型训练页面。

包装分类数据集由哪些部分组成，其结构如何？

数据集由三个主要部分组成：
- 训练集：包含 1920 张带注释的图像。
- 测试集：包括 89 幅图像和相应的注释。
- 验证集：包括 188 幅带注释的图像。
这种结构确保了数据集的平衡，以便按照模型评估指南中列出的最佳做法，对模型进行全面的训练、验证和测试。

为什么要将Ultralytics YOLO11 与软件包分类数据集一起使用？

Ultralytics YOLO11 为实时对象检测和分割任务提供了最先进的精度和速度。将其与包装分割数据集一起使用，您就可以利用YOLO11 的功能进行精确的包装分割，这对物流和仓库自动化等行业尤其有益。

如何访问和使用软件包分割数据集的 package-seg.yaml 文件？

"(《世界人权宣言》) package-seg.yaml 文件托管在Ultralytics 的 GitHub 存储库中，包含数据集路径、类和配置的基本信息。你可以在以下网址查看或下载 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/package-seg.yaml.该文件对于配置模型以高效利用数据集至关重要。有关更多见解和实际案例，请访问我们的 Python 使用方法节。

📅创建于 1 年前 ✏️已更新 15 天前