اكتشاف الأشياء في المشاهد المكتظة هو مجال جديد حيث تفشل أجهزة اكتشاف الأشياء القياسية في التدريب بشكل جيد. تظهر أجهزة اكتشاف الأشياء الكثيفة مثل RetinaNet أداءً ممتازًا عند تدريبها على قواعد بيانات كبيرة وكثيفة. نقوم بتدريب جهاز اكتشاف الأشياء القياسي على قاعدة بيانات صغيرة ومكتظة بشكل طبيعي باستخدام تقنيات تعزيز البيانات. هذه القاعدة البيانات أصغر بمقدار 265 مرة من القاعدة البيانات القياسية من حيث عدد التعليمات. يحقق هذا الخط الأساسي المنخفض نتائج مرضية (mAP=0.56) عند IoU القياسي البالغ 0.5. كما نقوم بإنشاء مقاييس متنوعة للكشف عن المنتجات العامة SKU من خلال توفير تعليمات كاملة لعدة قواعد بيانات عامة. يمكن الوصول إليها عبر الرابط:https://github.com/ParallelDots/generic-sku-detection-benchmark. نأمل أن يساعد هذا المعيار في بناء كاشفات متينة تؤدي عملها بشكل موثوق به في مختلف البيئات الطبيعية.