Roboflow Universe 包分割数据集

Roboflow 的包分割数据集是一个精选的图像集合，专门为计算机视觉领域的包分割任务量身定制。该数据集旨在帮助研究人员、开发人员和爱好者在涉及包裹识别、分类和处理的项目中使用。

该数据集包含一系列多样化的图像，展示了不同上下文和环境中的各种包裹，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，包分割数据集都提供了一组有针对性的、全面的图像，以提升您的计算机视觉算法的性能。

数据集结构

包分割数据集中的数据分布结构如下：

训练集：包含1920张图像及其相应的注释。
测试集：包含89张图像，每张图像都有相应的注释。
验证集：包含188张图像，每张图像都有相应的注释。

应用

包分割数据集支持的包分割对于优化物流、增强最后一英里交付、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，该数据集是一个关键资源，促进了计算机视觉在多样化和高效的包裹分析应用中的创新。

数据集YAML

使用YAML（Yet Another Markup Language）文件来定义数据集配置。它包含有关数据集路径、类别和其他相关信息。在包分割数据集的情况下，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://github.com/ultralytics/assets/releases/download/v0.0.0/package-seg.zip

使用方法

要在包分割数据集上训练Ultralytics YOLO11n模型100个epoch，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。

训练示例

PythonCLI

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-seg.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)

# 从预训练的*.pt模型开始训练
yolo segment train data=package-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

样本数据和注释

包分割数据集包含从多个角度拍摄的图像和视频的多样化集合。以下是数据集中的数据实例及其相应的注释：

数据集样本图像

该图像展示了一个图像目标检测的实例，带有注释的边界框和轮廓出识别对象的掩码。数据集包含在不同位置、环境和密度下拍摄的多样化图像集合。它作为开发特定于此任务的模型的全面资源。
该示例强调了VisDrone数据集中存在的多样性和复杂性，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。

引用和致谢

如果您将裂缝分割数据集整合到您的研究或开发项目中，请引用以下论文：

BibTeX

@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 },
}

我们感谢 Roboflow 团队在创建和维护 Package Segmentation 数据集方面所做的努力，该数据集是物流和研究项目中的宝贵资产。有关 Package Segmentation 数据集及其创建者的更多详细信息，请访问 Package Segmentation 数据集页面。

常见问题

什么是 Roboflow Package Segmentation 数据集，它如何帮助计算机视觉项目？

Roboflow Package Segmentation 数据集是一个经过精心策划的图像集合，专为涉及包裹分割的任务而设计。它包括各种上下文中包裹的多样化图像，对于训练和评估分割模型非常有价值。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项目。它有助于优化物流并增强视觉模型，以实现准确的包裹识别和分类。

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 YOLO11n 模型。使用以下代码片段：

训练示例

PythonCLI

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-seg.pt")  # 加载预训练模型

# 训练模型
results = model.train(data="package-seg.yaml", epochs=100, imgsz=640)

# 从预训练的 *.pt 模型开始训练
yolo segment train data=package-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

有关更多详细信息，请参阅模型训练页面。

Package Segmentation 数据集的组成部分是什么，它是如何组织的？

该数据集分为三个主要部分：

训练集：包含 1920 张带注释的图像。
测试集：包含 89 张带注释的图像。
验证集：包含 188 张带注释的图像。

这种结构确保了数据集的平衡，以便进行彻底的模型训练、验证和测试，从而提高分割算法的性能。

为什么我应该使用 Ultralytics YOLO11 和 Package Segmentation 数据集？

Ultralytics YOLO11 为实时目标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 数据集结合使用，可以让您利用 YOLO11 的能力进行精确的包裹分割。这种组合特别有利于物流和仓库自动化等行业，在这些行业中，准确的包裹识别至关重要。有关更多信息，请查看我们的 YOLO11 分割页面。