مجموعة بيانات رؤوس القمح العالمية

مجموعة البيانات العالمية لرؤوس القمح هي مجموعة من الصور المصممة لدعم تطوير نماذج دقيقة للكشف عن رؤوس القمح للتطبيقات في مجال التنميط الظاهري للقمح وإدارة المحاصيل. رؤوس القمح، المعروفة أيضًا باسم السنابل، هي الأجزاء الحاملة للحبوب في نبات القمح. ويُعد التقدير الدقيق لكثافة رؤوس القمح وحجمها أمرًا ضروريًا لتقييم صحة المحصول ونضجه وإمكانات المحصول. وتغطي مجموعة البيانات، التي تم إنشاؤها بالتعاون بين تسعة معاهد بحثية من سبعة بلدان، مناطق زراعة متعددة لضمان تعميم النماذج بشكل جيد عبر بيئات مختلفة.

الميزات الرئيسية

• تحتوي مجموعة البيانات على أكثر من 3,000 صورة تدريبية من أوروبا (فرنسا والمملكة المتحدة وسويسرا) وأمريكا الشمالية (كندا).
• يتضمن حوالي 1,000 صورة اختبارية من أستراليا واليابان والصين.
• الصور عبارة عن صور ميدانية في الهواء الطلق، تلتقط التباين الطبيعي في مظاهر رؤوس القمح.
• تتضمن التعليقات التوضيحية مربعات تحديد رأس القمح لدعم مهام اكتشاف الأجسام.

هيكلية مجموعة البيانات

تنقسم مجموعة بيانات رؤوس القمح العالمية إلى مجموعتين فرعيتين رئيسيتين:

1. مجموعة التدريب: تحتوي هذه المجموعة الفرعية على أكثر من 3000 صورة من أوروبا وأمريكا الشمالية. تم تصنيف الصور بمربعات محددة لرؤوس القمح، مما يوفر الحقيقة الأساسية لتدريب نماذج اكتشاف الأجسام.
2. مجموعة الاختبار: تتكون هذه المجموعة الفرعية من حوالي 1000 صورة من أستراليا واليابان والصين. تُستخدم هذه الصور لتقييم أداء النماذج المُدرّبة على أنماط وراثية وبيئات وظروف رصد غير مرئية.

التطبيقات

تُستخدم مجموعة بيانات رؤوس القمح العالمية على نطاق واسع لتدريب وتقييم نماذج التعلم العميق في مهام الكشف عن رؤوس القمح. إن مجموعة الصور المتنوعة لمجموعة البيانات هذه، التي تلتقط مجموعة واسعة من المظاهر والبيئات والظروف، تجعل منها موردًا قيّمًا للباحثين والممارسين في مجال التنميط الظاهري للنباتات وإدارة المحاصيل.

مجموعة البيانات YAML

يُستخدم ملف YAML (لغة ترميز أخرى) لتعريف تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات وفئاتها والمعلومات الأخرى ذات الصلة. بالنسبة لحالة مجموعة بيانات رأس القمح العالمية، فإن ملف GlobalWheat2020.yaml يتم الاحتفاظ بالملف في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 license
# Global Wheat 2020 dataset https://www.global-wheat.com/ by University of Saskatchewan
# Documentation: https://docs.ultralytics.com/datasets/detect/globalwheat2020/
# Example usage: yolo train data=GlobalWheat2020.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── GlobalWheat2020  ← downloads here (7.0 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/GlobalWheat2020 # dataset root dir
train: # train images (relative to 'path') 3422 images
  - images/arvalis_1
  - images/arvalis_2
  - images/arvalis_3
  - images/ethz_1
  - images/rres_1
  - images/inrae_1
  - images/usask_1
val: # val images (relative to 'path') 748 images (WARNING: train set contains ethz_1)
  - images/ethz_1
test: # test images (optional) 1276 images
  - images/utokyo_1
  - images/utokyo_2
  - images/nau_1
  - images/uq_1

# Classes
names:
  0: wheat_head

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  from ultralytics.utils.downloads import download
  from pathlib import Path

  # Download
  dir = Path(yaml['path'])  # dataset root dir
  urls = ['https://zenodo.org/record/4298502/files/global-wheat-codalab-official.zip',
          'https://github.com/ultralytics/assets/releases/download/v0.0.0/GlobalWheat2020_labels.zip']
  download(urls, dir=dir)

  # Make Directories
  for p in 'annotations', 'images', 'labels':
      (dir / p).mkdir(parents=True, exist_ok=True)

  # Move
  for p in 'arvalis_1', 'arvalis_2', 'arvalis_3', 'ethz_1', 'rres_1', 'inrae_1', 'usask_1', \
           'utokyo_1', 'utokyo_2', 'nau_1', 'uq_1':
      (dir / 'global-wheat-codalab-official' / p).rename(dir / 'images' / p)  # move to /images
      f = (dir / 'global-wheat-codalab-official' / p).with_suffix('.json')  # json file
      if f.exists():
          f.rename((dir / 'annotations' / p).with_suffix('.json'))  # move to /annotations

الاستخدام

لتدريب نموذج YOLO11n على مجموعة بيانات رأس القمح العالمية لـ 100 حلقة تدريبية بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة تدريب النموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=GlobalWheat2020.yaml model=yolo11n.pt epochs=100 imgsz=640

عينة من البيانات والشروح

تحتوي مجموعة البيانات العالمية لرؤوس القمح على مجموعة متنوعة من الصور الحقلية الخارجية، والتي تلتقط التباين الطبيعي في مظاهر رؤوس القمح والبيئات والظروف المحيطة. فيما يلي بعض الأمثلة على البيانات من مجموعة البيانات، إلى جانب التعليقات التوضيحية المقابلة لها:

• كشف رأس القمح: توضّح هذه الصورة مثالاً للكشف عن رؤوس القمح، حيث يتم تحديد رؤوس القمح بمربعات محدّدة. توفر مجموعة البيانات مجموعة متنوعة من الصور لتسهيل تطوير نماذج لهذه المهمة.

يعرض هذا المثال تنوع وتعقيد البيانات في مجموعة بيانات رؤوس القمح العالمية ويسلط الضوء على أهمية الكشف الدقيق عن رؤوس القمح للتطبيقات في مجال التنميط الظاهري للقمح وإدارة المحاصيل.

الاستشهادات والشكر والتقدير

إذا كنت تستخدم مجموعة بيانات رأس القمح العالمية في أعمال البحث أو التطوير الخاصة بك، يرجى الاستشهاد بالورقة التالية:

@article{david2020global,
         title={Global Wheat Head Detection (GWHD) Dataset: A Large and Diverse Dataset of High-Resolution RGB-Labelled Images to Develop and Benchmark Wheat Head Detection Methods},
         author={David, Etienne and Madec, Simon and Sadeghi-Tehran, Pouria and Aasen, Helge and Zheng, Bangyou and Liu, Shouyang and Kirchgessner, Norbert and Ishikawa, Goro and Nagasawa, Koichi and Badhon, Minhajul and others},
         journal={arXiv preprint arXiv:2005.02162},
         year={2020}
}

نود أن نعرب عن تقديرنا للباحثين والمؤسسات التي ساهمت في إنشاء مجموعة بيانات رؤوس القمح العالمية وصيانتها باعتبارها مورداً قيماً لمجتمع بحوث التنميط الظاهري للنباتات وإدارة المحاصيل. لمزيد من المعلومات حول مجموعة البيانات ومنشئيها، يرجى زيارة الموقع الإلكتروني لمجموعة بيانات رؤوس القمح العالمية.

الأسئلة الشائعة

ما هي مجموعة بيانات رؤوس القمح العالمية المستخدمة؟

تُستخدم مجموعة بيانات رؤوس القمح العالمية في المقام الأول لتطوير وتدريب نماذج التعلم العميق التي تهدف إلى اكتشاف رؤوس القمح. وهذا أمر بالغ الأهمية للتطبيقات في مجال التنميط الظاهري للقمح وإدارة المحاصيل، مما يسمح بإجراء تقديرات أكثر دقة لكثافة رؤوس القمح وحجمها وإجمالي غلة المحصول المحتملة. تساعد طرق الكشف الدقيقة في تقييم صحة المحاصيل ونضجها، وهو أمر ضروري لإدارة المحاصيل بكفاءة.

كيف يمكنني تدريب نموذج YOLO11n على مجموعة بيانات رأس القمح العالمية؟

لتدريب نموذج YOLO11n على مجموعة بيانات رأس القمح العالمية، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. تأكد من أن لديك GlobalWheat2020.yaml ملف تكوين يحدد مسارات مجموعة البيانات وفئاتها:

from ultralytics import YOLO

# Load a pre-trained model (recommended for training)
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=GlobalWheat2020.yaml model=yolo11n.pt epochs=100 imgsz=640

للاطلاع على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب النموذجي.

ما هي السمات الرئيسية لمجموعة بيانات رؤوس القمح العالمية؟

تشمل الميزات الرئيسية لمجموعة بيانات رؤوس القمح العالمية ما يلي:

• أكثر من 3000 صورة تدريبية من أوروبا (فرنسا والمملكة المتحدة وسويسرا) وأمريكا الشمالية (كندا).
• ما يقرب من 1,000 صورة اختبارية من أستراليا واليابان والصين.
• التباين الكبير في مظاهر رؤوس القمح بسبب اختلاف بيئات النمو المختلفة.
• تعليقات توضيحية مفصلة مع مربعات تحديد رأس القمح للمساعدة في نماذج اكتشاف الأجسام.

تسهل هذه الميزات تطوير نماذج قوية قادرة على التعميم عبر مناطق متعددة.

أين يمكنني العثور على ملف YAML للتكوين الخاص بمجموعة بيانات رأس القمح العالمية؟

ملف تكوين YAML لمجموعة بيانات رأس القمح العالمية، المسمى GlobalWheat2020.yamlمتاح على GitHub. يمكنك الوصول إليه على هذا الرابط. يحتوي هذا الملف على المعلومات الضرورية حول مسارات مجموعة البيانات والفئات وتفاصيل التكوين الأخرى اللازمة لتدريب النموذج في Ultralytics YOLO .

ما أهمية الكشف عن رؤوس القمح في إدارة المحاصيل؟

يُعدّ اكتشاف رؤوس القمح أمرًا بالغ الأهمية في إدارة المحاصيل لأنه يتيح تقديرًا دقيقًا لكثافة رؤوس القمح وحجمها، وهو أمر ضروري لتقييم صحة المحاصيل ونضجها وإمكانات المحصول. من خلال الاستفادة من نماذج التعلم العميق المدربة على مجموعات بيانات مثل مجموعة بيانات رؤوس القمح العالمية، يمكن للمزارعين والباحثين مراقبة المحاصيل وإدارتها بشكل أفضل، مما يؤدي إلى تحسين الإنتاجية والاستخدام الأمثل للموارد في الممارسات الزراعية. يدعم هذا التقدم التكنولوجي مبادرات الزراعة المستدامة والأمن الغذائي.

للمزيد من المعلومات حول تطبيقات الذكاء الاصطناعي في الزراعة، تفضل بزيارة الذكاء الاصطناعي في الزراعة.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 1 شهر

التعليقات