自动售货机商品检测数据集
名称
自动售货机商品检测数据集 (Automatic Vending Machine Product Detection Dataset)
规模
- 图像数量：4880张图像。
- 类别：30种不同的商品类别。
数据划分
- 训练集 (Train)：通常占总数据的80%左右，约3904张图像。
- 验证集 (Validation)：通常占总数据的20%左右，约976张图像。
类别和数量
- 分类列表包括但不限于：
3+2-23jia2aerbeisiannmuxiaoliaobaichabaishikelebaoshukelebaokuanglibinghongchabingqilinniunaibingtangxuelibudingchacuichapaichapingdaofandiandongpengfendaguadasaoguoliyinghaochidianhaoliyouheweidaohongniujianjiaojianlibaojindiankafeikaomogalkaomoshaokaokaomoxiangcongkebiekelelaotansuancailiaomianbaolingdukelelujiaoxianglujikafeimiziyuanyixingyixing2yixing3
数据特点
- 高质量与高分辨率：所有图像均为高分辨率，适合进行精确的商品检测。
- 多样性和复杂性：图像覆盖了各种商品类型和品牌，增加了模型的泛化能力。
- 详尽标注：每个图像都附有准确的边界框标注信息，确保了训练数据的质量。
应用领域
- 自动售货机运营：帮助自动售货机运营商快速识别商品种类和位置，提高运营效率。
- 无人零售：在无人零售场景中，实现自动识别商品，提升购物体验。
- 库存管理：实时监测商品库存情况，便于补货和维护。
- 数据分析：收集销售数据，进行市场分析和决策制定。
1. 安装依赖库
首先，确保安装了必要的依赖库。可以在项目目录中的requirements.txt文件中列出这些依赖库，然后运行以下命令进行安装：
pip install -r requirements.txtrequirements.txt 文件内容示例：
torch==1.10.0
torchvision==0.11.1
pandas==1.3.4
cv2
albumentations==1.1.02. 创建数据集
定义一个自定义的数据集类，并创建数据加载器。
import os
import pandas as pd
import cv2
from torch.utils.data import Dataset, DataLoader
from torchvision.transforms import Compose, ToTensor, Normalize, Resize
from albumentations import HorizontalFlip, RandomBrightnessContrast, ShiftScaleRotate, BboxFrom Masks, BBoxFormatPASCAL
from albumentations.pytorch import ToTensorV2
# 自定义数据集类
class VendingMachineProductDataset(Dataset):
def __init__(self, data_root, annotations_file, transforms=None):
self.data_root = data_root
self.annotations = pd.read_csv(annotations_file)
self.transforms = transforms
def __len__(self):
return len(self.annotations)
def __getitem__(self, idx):
img_path = os.path.join(self.data_root, self.annotations.iloc[idx, 0])
image = cv2.imread(img_path)
bboxes = self.annotations.iloc[idx, 1:].values.reshape(-1, 4) # bounding box coordinates
labels = self.annotations.columns[1:]
if self.transforms:
augmented = self.transforms(image=image, bboxes=bboxes)
image = augmented['image']
bboxes = augmented['bboxes']
return image, bboxes, labels
# 图像预处理
def get_transforms():
"""构建预处理函数"""
_transform = [
Resize(height=416, width=416, interpolation=cv2.INTER_LINEAR),
HorizontalFlip(p=0.5),
RandomBrightnessContrast(p=0.2),
ShiftScaleRotate(p=0.5, shift_limit=0.0625, scale_limit=0.2, rotate_limit=15),
Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
ToTensorV2(),
BboxFromMasks(format=BBoxFormatPASCAL)
]
return Compose(_transform)
# 创建数据加载器
train_dataset = VendingMachineProductDataset(
data_root='path_to_your_data_directory',
annotations_file='path_to_your_annotations.csv',
transforms=get_transforms()
)
val_dataset = VendingMachineProductDataset(
data_root='path_to_your_data_directory',
annotations_file='path_to_your_annotations.csv',
transforms=get_transforms()
)
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True, num_workers=4)
val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False, num_workers=4)3. 训练YOLOv5模型
使用YOLOv5进行训练。
!git clone https://github.com/ultralytics/yolov5 # 下载YOLOv5代码仓库
cd yolov5
# 使用YOLOv5训练模型
python train.py --weights yolov5s.pt --data path_to_your_data.yaml --name vending_machine_detection --img 416 --batch 16 --epochs 100 --device 0- 数据配置文件：创建一个名为
data.yaml的数据配置文件，其中包含训练和验证数据集的信息。
train: path_to_your_train_images
val: path_to_your_val_images
nc: 30 # 类别数量
names: [3+2-2, 3jia2, aerbeisi, ann
