Roboflow 宇宙包分割数据集
包装分割数据集 Roboflow包装分割数据集是专门为计算机视觉领域中与包装分割相关的任务定制的图像集合。该数据集旨在帮助研究人员、开发人员和爱好者开展与软件包识别、分类和处理相关的项目。
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一套有针对性的综合图像,以提高计算机视觉算法的性能。
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。
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。以包分割数据集为例,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 YOLO 🚀, AGPL-3.0 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: images/train # train images (relative to 'path') 1920 images
val: images/val # 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://ultralytics.com/assets/package-seg.zip
使用方法
要在图像大小为 640 的包分割数据集上对Ultralytics YOLOv8n 模型进行 100 次训练,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
样本数据和注释
包裹分割数据集包括从多个角度拍摄的各种图像和视频。以下是数据集中的数据实例,并附有各自的注释:
- 这幅图像显示了图像对象检测的一个实例,其特点是注释了边界框,并用掩码勾勒出识别出的对象。该数据集包含在不同地点、环境和密度下拍摄的各种图像。该数据集是开发该任务专用模型的综合资源。
- 这个例子强调了 VisDrone 数据集的多样性和复杂性,突出了高质量传感器数据对于涉及无人机的计算机视觉任务的重要性。
引文和致谢
如果您将裂缝分割数据集纳入您的研究或开发计划,请引用以下论文:
@misc{ factory_package_dataset,
title = { factory_package Dataset },
type = { Open Source Dataset },
author = { factorypackage },
howpublished = { \url{ https://universe.roboflow.com/factorypackage/factory_package } },
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Roboflow 团队为创建和维护包裹分类数据集所做的努力表示感谢,该数据集是物流和研究项目的宝贵财富。有关包裹分类数据集及其创建者的更多详情,请访问包裹分类数据集页面。