1. 项目概述:仓储场景下的托盘检测数据集解析
作为一名在工业视觉领域摸爬滚打多年的工程师,我深知高质量数据集对于自动化项目的重要性。今天要介绍的这款托盘检测数据集,正是我们在智慧仓储项目中实际使用过的实战资源。这个包含8700张标注图像的数据集,完美解决了我们在AGV托盘定位项目中遇到的数据匮乏问题。
数据集聚焦仓储环境中最核心的两类目标:托盘和地面。你可能觉得奇怪——为什么要把地面单独作为一类?在实际场景中,地面状态的识别(如有无积水、油污等)直接影响AGV的行驶安全。通过联合检测托盘和地面,我们的机器人不仅能精准抓取托盘,还能自主规避危险区域。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据集核心特性与技术细节
2.1 数据构成与标注规范
数据集采用工业界主流的YOLO格式组织,包含:
- 8700张仓储场景RGB图像(分辨率1920×1080)
- 对应的txt标注文件(YOLO格式)
- 预设的训练集(6960张)、验证集(870张)和测试集(870张)划分
标注规范特别值得称道:
- 托盘标注采用外接矩形框,精确包含整个托盘结构
- 地面标注为图像底部1/3区域的带状矩形框
- 每个标注文件包含目标类别ID和归一化坐标(center_x, center_y, width, height)
提示:数据集中的托盘样本覆盖了木质、塑料、金属三种常见材质,以及单面、双面、翼型等不同结构形式,确保了模型的泛化能力。
2.2 数据采集与增强策略
通过与国内多家大型物流企业合作,我们采集了真实仓储环境下的多角度图像:
- 采集设备:工业级RGB相机(Basler ace acA2000-50gc)
- 光照条件:自然光+仓库照明混合场景
- 视角覆盖:俯视(AGV视角)、平视(货架视角)、斜视(传送带视角)
为提升数据多样性,我们进行了专业级的增强处理:
- 几何变换:±15°旋转、90%尺度缩放
- 色彩扰动:±20%亮度/对比度调整
- 噪声注入:高斯噪声(σ=0.01)
- 模拟遮挡:随机添加20%面积的矩形遮挡
3. 实际应用与模型训练
3.1 YOLOv5训练全流程
以下是我们在实际项目中的训练配置(基于YOLOv5s):
yaml复制# 数据集配置
train: ../dataset/train/images
