Die Objekterkennung in dicht besetzten Szenen ist ein neues Gebiet, in dem herkömmliche Objekterkennungsmodelle Schwierigkeiten haben, gut trainiert zu werden. Dichte Objekterkennungsmodelle wie RetinaNet, die auf großen und dichten Datensätzen trainiert wurden, zeigen hervorragende Leistungen. Wir trainieren ein herkömmliches Objekterkennungsmodell auf einem kleinen, normal besetzten Datensatz unter Verwendung von Datenverstärkungstechniken. Dieser Datensatz ist in Bezug auf die Anzahl der Annotationen 265-mal kleiner als der Standard-Datensatz. Diese Baseline mit geringen Daten erreicht zufriedenstellende Ergebnisse (mAP=0.56) bei einem Standard-IoU von 0.5. Des Weiteren erstellen wir eine vielfältige Benchmark für die generische Erkennung von SKU-Produkten, indem wir vollständige Annotationen für mehrere öffentliche Datensätze bereitstellen. Sie ist unter folgender URL zugänglich: https://github.com/ParallelDots/generic-sku-detection-benchmark. Wir hoffen, dass diese Benchmark bei der Entwicklung robuster Detektoren hilft, die in verschiedenen realen Umgebungen verlässlich performen.注释：- "SKU" stands for "Stock Keeping Unit" and is commonly used in German as well.- "Data augmentation techniques" are translated as "Datenverstärkungstechniken," which is a common term in the field.- "Benchmark" is often used in German without translation.- The URL remains unchanged as it is a direct reference.