Распознавание и сегментация упаковок с помощью Ultralytics YOLO11

Когда ты заказываешь что-то онлайн и товар доставляют к тебе домой, процесс кажется простым. Ты нажимаешь несколько кнопок, и посылка оказывается у порога. Однако за этой быстрой доставкой стоит сложная сеть складов, грузовиков и сортировочных систем, которые неустанно доставляют посылки по назначению. К 2028 году объём логистической отрасли, основы этой системы, по прогнозам, превысит 14 трлн евро.

Однако такой рост сопровождается проблемами: ошибками при сортировке, задержками доставки и низкой эффективностью. По мере роста спроса на более быструю и точную доставку традиционные методы перестают справляться, и компании обращаются к искусственному интеллекту (AI) и компьютерному зрению, чтобы найти более эффективные решения.

Vision AI в логистике меняет отрасль, автоматизируя процессы и повышая точность обработки посылок. Анализируя изображения и видео в реальном времени, компьютерное зрение помогает с высокой точностью идентифицировать, отслеживать и сортировать посылки, сокращая количество ошибок и упрощая операции. В частности, передовые модели компьютерного зрения, такие как Ultralytics YOLO11, обеспечивают более быструю и точную идентификацию посылок.

Дообучение Ultralytics YOLO11 на высококачественных наборах данных для компьютерного зрения, таких как Roboflow Package Segmentation Dataset, обеспечивает оптимальную производительность в реальных условиях. В этой статье мы рассмотрим, как использовать этот набор данных, чтобы обучить YOLO11 и преобразовать логистические операции. Также мы обсудим реальные сценарии применения. Начнём!

Как компьютерное зрение повышает эффективность умных складов#

Склады обрабатывают тысячи посылок каждый час. Ошибки при сортировке или отслеживании могут приводить к задержкам, росту расходов и недовольству клиентов. Компьютерное зрение позволяет машинам интерпретировать изображения и выполнять задачи интеллектуально. Решения vision AI помогают оптимизировать операции, чтобы они выполнялись слаженно и с меньшим количеством ошибок.

Например, компьютерное зрение ускоряет и повышает надёжность таких задач, как идентификация посылок и обнаружение повреждений, по сравнению с ручными методами. Такие системы часто рассчитаны на работу в сложных условиях, например в тесных помещениях или при слабом освещении.

В частности, Ultralytics YOLO11 помогает ускорить обработку посылок. Модель быстро и точно обнаруживает посылки в реальном времени. Повышая эффективность и снижая число ошибок, YOLO11 обеспечивает бесперебойную работу, помогает компаниям соблюдать сроки и улучшать качество обслуживания клиентов.

Рис. 1. Пример обнаружения коробок с помощью YOLO11.

Ultralytics YOLO11 отлично подходит для логистических задач#

Ultralytics YOLO11 поддерживает различные задачи компьютерного зрения, например обнаружение объектов, сегментацию экземпляров и классификацию изображений, что делает модель универсальным инструментом для разных отраслей. YOLO11 сочетает скорость и точность, поэтому отлично подходит для логистики.

При этом число параметров у модели на 22% меньше, чем у YOLOv8m, а средняя точность (mAP) на наборе данных COCO выше, что позволяет обнаруживать объекты точнее и эффективнее. Это означает, что модель может быстро и надёжно идентифицировать посылки даже в условиях интенсивной работы и большого объёма отправлений.

Преимущества модели не ограничиваются посылками. Например, Ultralytics YOLO11 можно использовать на складах для обнаружения работников в реальном времени, повышая безопасность и эффективность. Модель может отслеживать перемещения работников, выявлять зоны ограниченного доступа и предупреждать руководителей о возможных опасностях, помогая предотвращать несчастные случаи и обеспечивать бесперебойную работу.

Рис. 2. Пример использования Ultralytics YOLO11 для обнаружения работников на складе.

Оптимизация Ultralytics YOLO11 с помощью набора данных сегментации посылок#

За каждым успешным приложением AI обычно стоит модель, обученная на высококачественных наборах данных. Такие данные крайне важны для разработки решений компьютерного зрения для логистики.

Хороший пример такого набора данных — Roboflow Universe Package Segmentation Dataset, созданный с учётом реальных логистических задач. С его помощью можно обучить модель обнаруживать посылки на изображениях и выделять их контуры (то есть сегментировать посылки).

Сегментация экземпляров — это задача компьютерного зрения, которая выявляет объекты, строит ограничивающие рамки и точно выделяет форму объектов. В отличие от обнаружения объектов, при котором вокруг объектов размещаются только ограничивающие рамки, сегментация экземпляров дополнительно создаёт подробные маски на уровне пикселей.

Roboflow Universe Package Segmentation Dataset содержит изображения посылок в различных условиях: при тусклом освещении, в загромождённых пространствах и с непредсказуемой ориентацией. Структура набора данных также рассчитана на эффективное обучение моделей и их оценку. В него входят 1920 размеченных изображений для обучения, 89 для тестирования и 188 для валидации. Модели компьютерного зрения, обученные на этом разнообразном наборе данных для сегментации экземпляров, легко адаптируются к сложным условиям складов и распределительных центров.

Рис. 3. Обзор Roboflow Package Segmentation Dataset.

Обучение Ultralytics YOLO11 на наборе данных для сегментации посылок#

Обучение моделей Ultralytics YOLO, таких как Ultralytics YOLO11, — простой и понятный процесс. Модели можно обучать через интерфейс командной строки (CLI) или с помощью скриптов Python, что позволяет выбрать удобный и гибкий способ настройки.

Поскольку пакет Ultralytics для Python поддерживает набор данных Roboflow Package Segmentation Dataset, для обучения YOLO11 на нём достаточно нескольких строк кода, а запустить обучение можно всего за пять минут. Подробнее смотри в руководстве по использованию набора данных Package Segmentation Dataset.

При обучении Ultralytics YOLO11 на этом наборе данных используются три уже предусмотренные части: обучающая, валидационная и тестовая. На обучающей выборке модель учится точно идентифицировать и сегментировать посылки, а валидационная помогает настроить точность, проверяя модель на незнакомых изображениях и подтверждая, что она хорошо адаптируется к реальным условиям.

Наконец, тестовая выборка позволяет оценить общую производительность и убедиться, что модель готова к развёртыванию. После обучения модель можно интегрировать в процессы логистики и автоматизировать такие задачи, как идентификация и сортировка посылок.

Рис. 4. Процесс дообучения Ultralytics YOLO11. Изображение предоставлено автором.

Применение компьютерного зрения для оптимизации логистики#

Теперь, когда мы разобрали, как дообучить Ultralytics YOLO11 на наборе данных для сегментации посылок, давай рассмотрим реальные сценарии применения компьютерного зрения в умной логистике.

Мониторинг умных складов с помощью Ultralytics YOLO11#

В загруженные сезоны распродаж склады часто обрабатывают тысячи посылок в час. Посылки разных форм и размеров быстро движутся по конвейерным лентам в ожидании сортировки и отправки. Ручная сортировка такого огромного объёма посылок может приводить к ошибкам, задержкам и лишним затратам труда.

Ultralytics YOLO11 помогает складам работать гораздо эффективнее. Модель анализирует видеопоток в реальном времени и использует обнаружение объектов, чтобы идентифицировать каждую посылку. Это позволяет точно отслеживать посылки, сокращать число ошибок и предотвращать потерю или задержку отправлений.

Рис. 5. Обнаружение и подсчёт посылок с помощью YOLO11.

Кроме того, возможности Ultralytics YOLO11 по сегментации экземпляров делают обработку посылок эффективнее: модель точно идентифицирует и разделяет отдельные посылки, даже если они сложены стопкой или перекрывают друг друга. Повышая точность сортировки и улучшая отслеживание запасов, YOLO11 помогает автоматизировать логистические процессы, сократить число ошибок и обеспечить бесперебойную работу.

Обнаружение повреждений с помощью Ultralytics YOLO11#

Никто не хочет получать порванную, помятую или повреждённую посылку. Это огорчает клиентов и обходится дорого компаниям, приводя к жалобам, возвратам и напрасным затратам ресурсов. Доставка посылок в целости — важное условие доверия клиентов.

Ultralytics YOLO11 помогает выявлять такие проблемы на раннем этапе. В сортировочных центрах YOLO11 может сканировать посылки в реальном времени и использовать сегментацию экземпляров для обнаружения вмятин, разрывов и протечек. Обнаруженную повреждённую посылку можно автоматически пометить и убрать с производственной линии. Система на базе Vision AI помогает сократить потери и гарантировать, что клиенты получают только качественные товары.

Преимущества и недостатки компьютерного зрения в логистике#

Теперь, когда мы рассмотрели реальные сценарии применения компьютерного зрения в умной логистике, давай подробнее разберём преимущества моделей компьютерного зрения, таких как Ultralytics YOLO11. От поддержания качества упаковки до выполнения задач в периоды пиковой нагрузки — даже небольшие улучшения могут иметь большое значение.

Вот краткий обзор основных преимуществ:

• Снижение затрат: Повышая эффективность, сокращая потери и сводя к минимуму возвраты, Ultralytics YOLO11 помогает снизить общие эксплуатационные расходы.
• Автоматизация складов: Ultralytics YOLO11 оптимизирована для периферийных вычислений и может интегрироваться со складскими роботами и воздушными дронами, автоматизируя обработку посылок в крупных центрах выполнения заказов.
• Преимущества для устойчивого развития: Сокращая потери, оптимизируя маршруты и сводя к минимуму ненужные отправления, Ultralytics YOLO11 помогает сделать логистические операции более экологичными.

Несмотря на преимущества, при внедрении инноваций в области компьютерного зрения в логистические процессы важно учитывать и некоторые ограничения:

• Необходимость постоянных обновлений: модели ИИ нужно регулярно обновлять и переобучать, чтобы адаптировать их к новым задачам, типам упаковки или изменениям планировки склада.
• Интеграция с устаревшими системами: многие логистические компании используют старую инфраструктуру, поэтому бесшовная интеграция с современными технологиями ИИ может быть сложной задачей.
• Вопросы конфиденциальности и безопасности: использование систем компьютерного зрения на базе ИИ может вызывать опасения по поводу конфиденциальности сотрудников и безопасности данных, поэтому необходимо тщательно продумывать соответствующие правила.

Главные выводы об умных складах#

При дообучении на таких наборах данных, как Roboflow Package Segmentation Dataset, Ultralytics YOLO11 помогает автоматизировать логистику: модель адаптируется к различным условиям на складе и эффективно масштабируется в периоды пиковой нагрузки. По мере усложнения логистических операций YOLO11 помогает обеспечить точность, свести к минимуму ошибки и поддерживать бесперебойную доставку.

Vision AI преобразует логистическую отрасль, помогая сделать рабочие процессы более интеллектуальными, быстрыми и надежными. Интеграция компьютерного зрения в бизнес-процессы позволяет повысить эффективность, сократить расходы и улучшить удовлетворенность клиентов.

Присоединяйся к нашему сообществу и загляни в наш репозиторий GitHub, чтобы увидеть ИИ в действии. Ознакомься с вариантами лицензирования YOLO и узнай больше о компьютерном зрении в сельском хозяйстве и ИИ в здравоохранении на страницах наших решений.