norwegian-grocery

NorgesGruppen Grocery Detection Dataset 是一个用于挪威杂货店货架图像的目标检测数据集，源自NorgesGruppen Data竞赛。数据集包含248张货架图像，22,731个COCO格式的边界框标注，涵盖356个产品类别（包括未知产品类别）。此外，数据集还提供了327种产品的多角度参考照片，共计1,582张图像。数据集支持COCO和YOLO两种格式，其中YOLO格式在加载时自动转换。数据集分为训练集和验证集，比例为85:15。适用于目标检测和图像分类任务，特别是零售和货架检测场景。数据集还包含产品元数据，如条形码、产品名称和图像类型。NorgesGruppen Grocery Detection Dataset is an object detection dataset for Norwegian grocery store shelf images, sourced from the NorgesGruppen Data Competition. The dataset contains 248 shelf images with 22,731 COCO-formatted bounding box annotations, covering 356 product categories including the unknown product category. Additionally, the dataset provides multi-angle reference photos of 327 products, totaling 1,582 images. The dataset supports both COCO and YOLO formats, where the YOLO format is automatically converted during loading. The dataset is split into training and validation sets at a ratio of 85:15. It is applicable to object detection and image classification tasks, especially for retail and shelf detection scenarios. The dataset also includes product metadata such as barcodes, product names and image types.

原始信息汇总

数据集概述

基本信息

• 数据集名称: NorgesGruppen Grocery Detection Dataset
• 托管地址: https://huggingface.co/datasets/valiantlynxz/norwegian-grocery
• 许可证: cc-by-nc-4.0
• 任务类别: 目标检测、图像分类
• 语言: 挪威语 (no)
• 标签: grocery, retail, shelf-detection, coco, yolo, norgesgruppen
• 规模类别: n<1K

数据集内容

• 货架图像: 248张来自挪威杂货店的货架图像（Egg, Frokost, Knekkebrod, Varmedrikker类别）。
• 边界框标注: 22,731个COCO格式的边界框标注。
• 产品类别: 356个产品类别（ID 0-355，其中355为unknown_product）。
• 产品参考图像: 327个产品的多角度参考照片，总计1,582张图像。
• 训练/验证集划分: 211张训练图像，37张验证图像（85/15比例，随机种子为42）。

数据配置

数据集提供三种配置，可通过Hugging Face datasets库加载。

配置名称	默认	描述	数据划分
coco	是	原始的COCO格式标注，包含完整元数据	train, validation
yolo	否	自动转换为YOLO归一化格式[cx, cy, w, h]	train, validation
products	否	产品参考图像及其元数据	train

COCO 配置

每个样本包含货架图像及其COCO格式标注。

• image: PIL Image对象。
• image_id: 整数。
• width: 图像宽度（像素）。
• height: 图像高度（像素）。
• annotations: COCO标注列表的JSON字符串。每个标注包含id、category_id、bbox（格式为[x, y, w, h]，单位为像素）、area、product_code等字段。

YOLO 配置

使用相同的图像，但边界框自动转换为YOLO归一化中心格式。

• image: PIL Image对象。
• image_id: 整数。
• labels: 整数列表，表示类别ID。
• bboxes: 列表的列表，格式为[[cx, cy, w, h], ...]，坐标已归一化到[0, 1]范围。

Products 配置

按产品代码组织的327个产品的参考图像。

• image: PIL Image对象（一个角度）。
• product_code: 条形码字符串。
• product_name: 产品名称字符串。
• image_type: 图像角度类型，如"main"、"front"、"back"、"left"、"right"、"top"、"bottom"。
• annotation_count: 该产品在货架图像中出现的次数。

数据结构

norwegian_grocery.py # 自定义加载脚本（由HF自动发现） train/ annotations.json # COCO格式的标注文件 images/ # 248张货架图像（.jpg/.jpeg格式） NM_NGD_product_images/ metadata.json # 产品名称、条形码、标注次数的元数据 {barcode}/ # 按条形码组织的产品参考图像 scripts/ coco_to_yolo.py # 将COCO格式转换为YOLO格式的脚本（包含训练/验证集划分）

关键统计

• 图像尺寸范围: 宽度481-5712像素，高度399-4624像素。
• 平均标注数: 每张图像约92个标注。
• 最常见类别: unknown_product（ID 355），共422个标注。
• 产品参考图像总数: 1,582张，涵盖327个产品。

使用说明

• 可通过提供的Python脚本scripts/coco_to_yolo.py在本地生成适用于YOLO训练的文件结构。
• 数据集与https://github.com/kuben-labs/nmai中的检测项目兼容。

搜集汇总

数据集介绍

构建方式

在零售计算机视觉领域，挪威杂货检测数据集源自NorgesGruppen数据竞赛，系统性地采集了挪威杂货店货架图像。该数据集包含248张货架图像，涵盖鸡蛋、早餐、脆面包和热饮等商品类别，并采用COCO格式标注了22,731个边界框，涉及356种产品类别。构建过程中，通过人工或半自动方式对图像中的商品进行精细标注，确保每个边界框均关联产品条形码与名称，同时为327种商品提供了多角度参考图像，共计1,582张，以支持更全面的模型训练与验证。

特点

该数据集显著特点在于其专注于挪威零售环境，提供了丰富的多格式标注支持。除了标准的COCO格式外，数据集通过动态转换机制，可直接加载为YOLO归一化中心坐标格式，无需额外预处理。数据集包含大量未知产品类别标注，增强了现实场景下的鲁棒性训练潜力。此外，配套的多角度商品参考图像库，为细粒度识别与跨视角分析提供了独特资源，图像分辨率多样，标注密度较高，平均每张图像包含约92个标注，反映了真实货架的复杂商品布局。

使用方法

利用Hugging Face的datasets库，用户可便捷加载不同配置的数据集。默认加载COCO格式，包含原始图像、标注及元数据；通过指定name参数为'yolo'，可自动获取转换为YOLO格式的数据，边界框已归一化；而'products'配置则提供商品参考图像及其元数据。对于本地YOLO训练，可使用附带的Python脚本将COCO标注转换为标准YOLO目录结构。数据集已预设训练与验证分割，可直接用于目标检测或图像分类模型的开发与评估。

背景与挑战

背景概述

在零售智能化与计算机视觉交叉领域，挪威杂货检测数据集（Norwegian Grocery）由NorgesGruppen于数据竞赛中创建，旨在推动货架商品自动识别技术发展。该数据集聚焦于挪威杂货店场景，包含248张货架图像与22,731个边界框标注，涵盖356种商品类别，并额外提供327种商品的多角度参考图像。其核心研究问题在于解决复杂零售环境中密集、遮挡及多样商品的高精度检测，为库存管理、自动结算等应用提供关键数据支撑，显著促进了零售视觉分析领域的实证研究。

当前挑战

该数据集首要挑战在于应对零售场景中商品检测的固有难题：货架商品常呈现高密度排列、部分遮挡、光照不均及包装相似性，导致传统检测模型易产生误检与漏检。构建过程中，标注工作面临大规模商品类别细粒度划分的复杂性，需准确关联数千个边界框与具体商品条码，并处理未知商品类别；同时，数据采集需在真实商店环境中保持图像质量与标注一致性，克服实际运营干扰，确保数据集的可靠性与代表性。

常用场景

经典使用场景

在零售智能化的背景下，norwegian-grocery数据集为挪威杂货店货架图像提供了精细标注，其经典使用场景集中于商品检测与识别任务。该数据集支持COCO和YOLO两种主流标注格式，便于研究者直接应用于目标检测模型的训练与评估，尤其在零售环境下的多商品密集排列场景中，能够有效测试模型在复杂背景下的定位与分类性能。

解决学术问题

该数据集主要解决了零售视觉分析中的关键学术问题，包括小样本学习、跨域适应以及密集场景下的目标检测挑战。通过提供356个产品类别和超过2.2万个边界框标注，它为模型在真实世界杂货店环境中的泛化能力评估提供了基准，推动了细粒度识别和遮挡处理等研究方向的发展，对计算机视觉在零售领域的应用具有重要理论意义。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，主要集中在基于YOLO和Faster R-CNN架构的零售商品检测模型优化。这些工作利用数据集的多角度产品参考图像，探索了零样本学习和跨模态对齐方法，进一步推动了零售场景下的视觉识别技术发展，并为后续的竞赛和学术研究提供了可复现的基准。