Link to this sectionمجموعة بيانات رؤوس القمح العالمية#

تُعد مجموعة بيانات رؤوس القمح العالمية مجموعة من الصور المصممة لدعم تطوير نماذج دقيقة للكشف عن رؤوس القمح لاستخدامها في تطبيقات التنميط الظاهري للقمح وإدارة المحاصيل. رؤوس القمح، وتعرف أيضاً بالسنبلات، هي الأجزاء الحاملة للحبوب في نبات القمح. يُعد التقدير الدقيق لكثافة وحجم رؤوس القمح أمراً ضرورياً لتقييم صحة المحصول، ونضجه، وإمكانات الإنتاجية. تغطي مجموعة البيانات، التي تم إنشاؤها بالتعاون بين تسع مؤسسات بحثية من سبع دول، مناطق زراعية متعددة لضمان قدرة النماذج على التعميم بشكل جيد عبر بيئات مختلفة.

Link to this sectionالميزات الرئيسية#

تحتوي مجموعة البيانات على أكثر من 3,000 صورة تدريب من أوروبا (فرنسا، والمملكة المتحدة، وسويسرا) وأمريكا الشمالية (كندا).
تتضمن ما يقرب من 1,000 صورة اختبار من أستراليا، واليابان، والصين.
الصور هي صور حقول خارجية، تلتقط التباين الطبيعي في مظاهر رؤوس القمح.
تتضمن التسميات التوضيحية مربعات إحاطة لرؤوس القمح لدعم مهام الكشف عن الأجسام.

Link to this sectionهيكل مجموعة البيانات#

تم تنظيم مجموعة بيانات رؤوس القمح العالمية في مجموعتين فرعيتين رئيسيتين:

مجموعة التدريب: تحتوي هذه المجموعة الفرعية على أكثر من 3,000 صورة من أوروبا وأمريكا الشمالية. تم تصنيف الصور بمربعات إحاطة لرؤوس القمح، مما يوفر الحقيقة الأساسية لتدريب نماذج الكشف عن الأجسام.
مجموعة الاختبار: تتكون هذه المجموعة الفرعية من حوالي 1,000 صورة من أستراليا، واليابان، والصين. تُستخدم هذه الصور لتقييم أداء النماذج المدربة على أنماط جينية، وبيئات، وظروف رصد غير مسبوقة.

Link to this sectionالتطبيقات#

تُستخدم مجموعة بيانات رؤوس القمح العالمية على نطاق واسع لتدريب وتقييم نماذج التعلم العميق في مهام الكشف عن رؤوس القمح. تجعل مجموعة صور البيانات المتنوعة، التي تلتقط مجموعة واسعة من المظاهر والبيئات والظروف، منها مورداً قيماً للباحثين والممارسين في مجال التنميط الظاهري للنبات وإدارة المحاصيل.

Link to this sectionYAML مجموعة البيانات#

يُستخدم ملف YAML (لغة ترميز أخرى) لتحديد إعدادات مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات، والفئات، وغيرها من المعلومات ذات الصلة. بالنسبة لمجموعة بيانات رؤوس القمح العالمية، يتم الاحتفاظ بملف GlobalWheat2020.yaml على الرابط https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml.

ultralytics/cfg/datasets/GlobalWheat2020.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/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: 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 pathlib import Path

  from ultralytics.utils.downloads import download

  # 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

Link to this sectionالاستخدام#

لتدريب نموذج YOLO26n على مجموعة بيانات رؤوس القمح العالمية لـ 100 دورة تدريبية بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسيطات المتاحة، راجع صفحة التدريب للنموذج.

مثال على التدريب

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

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

Link to this sectionعينة من البيانات والتعليقات#

تحتوي مجموعة بيانات رؤوس القمح العالمية على مجموعة متنوعة من صور الحقول الخارجية، التي تلتقط التباين الطبيعي في مظاهر رؤوس القمح، والبيئات، والظروف. إليك بعض الأمثلة على البيانات من مجموعة البيانات، جنباً إلى جنب مع التسميات التوضيحية المقابلة لها:

عينة من مجموعة بيانات القمح العالمية تظهر كشف رؤوس القمح

الكشف عن رؤوس القمح: توضح هذه الصورة مثالاً على الكشف عن رؤوس القمح، حيث يتم وضع تسميات توضيحية لرؤوس القمح باستخدام مربعات إحاطة. توفر مجموعة البيانات مجموعة متنوعة من الصور لتسهيل تطوير نماذج لهذه المهمة.

يعرض 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.

Link to this sectionالاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات رؤوس القمح العالمية في عملك البحثي أو التطويري، يرجى الاستشهاد بالورقة البحثية التالية:

اقتباس

@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 وصيانة مجموعة بيانات رؤوس القمح العالمية كمورد قيم لمجتمع أبحاث التنميط الظاهري للنبات وإدارة المحاصيل. لمزيد من المعلومات حول مجموعة البيانات ومبدعيها، قم بزيارة موقع مجموعة بيانات رؤوس القمح العالمية.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي الاستخدامات الخاصة بمجموعة بيانات رؤوس القمح العالمية؟#

تُستخدم مجموعة بيانات رؤوس القمح العالمية بشكل أساسي لتطوير وتدريب نماذج التعلم العميق التي تهدف إلى الكشف عن رؤوس القمح. وهذا أمر بالغ الأهمية للتطبيقات في مجال التنميط الظاهري للقمح وإدارة المحاصيل، مما يسمح بتقديرات أكثر دقة لكثافة وحجم رؤوس القمح وإمكانات إنتاجية المحصول الإجمالية. تساعد طرق الكشف الدقيقة في تقييم صحة المحصول ونضجه، وهو أمر أساسي لإدارة المحاصيل بكفاءة.

Link to this sectionكيف أقوم بتدريب نموذج YOLO26n على مجموعة بيانات رؤوس القمح العالمية؟#

لتدريب نموذج YOLO26n على مجموعة بيانات رؤوس القمح العالمية، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. تأكد من توفر ملف الإعداد GlobalWheat2020.yaml الذي يحدد مسارات مجموعة البيانات والفئات:

مثال على التدريب

from ultralytics import YOLO

# Load a pretrained model (recommended for training)
model = YOLO("yolo26n.pt")

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

للحصول على قائمة شاملة بالوسيطات المتاحة، راجع صفحة التدريب للنموذج.

Link to this sectionما هي الميزات الرئيسية لمجموعة بيانات رؤوس القمح العالمية؟#

تتضمن الميزات الرئيسية لمجموعة بيانات رؤوس القمح العالمية ما يلي:

أكثر من 3,000 صورة تدريب من أوروبا (فرنسا، والمملكة المتحدة، وسويسرا) وأمريكا الشمالية (كندا).
ما يقرب من 1,000 صورة اختبار من أستراليا، واليابان، والصين.
تباين عالٍ في مظاهر رؤوس القمح بسبب بيئات النمو المختلفة.
Detailed annotations with wheat head bounding boxes to aid object detection models.

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

Link to this sectionأين يمكنني العثور على ملف إعداد YAML الخاص بمجموعة بيانات رؤوس القمح العالمية؟#

ملف إعداد YAML لمجموعة بيانات رؤوس القمح العالمية، المسمى GlobalWheat2020.yaml، متاح على GitHub. يمكنك الوصول إليه عبر الرابط https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. يحتوي هذا الملف على المعلومات الضرورية حول مسارات مجموعة البيانات، والفئات، وتفاصيل الإعداد الأخرى المطلوبة لتدريب النموذج في Ultralytics YOLO.

Link to this sectionلماذا يعد الكشف عن رؤوس القمح مهماً في إدارة المحاصيل؟#

يعد الكشف عن رؤوس القمح أمراً حاسماً في إدارة المحاصيل لأنه يتيح التقدير الدقيق لكثافة وحجم رؤوس القمح، وهما أمران أساسيان لتقييم صحة المحصول، ونضجه، وإمكانات الإنتاجية. من خلال الاستفادة من نماذج التعلم العميق التي تم تدريبها على مجموعات بيانات مثل مجموعة بيانات رؤوس القمح العالمية، يمكن للمزارعين والباحثين مراقبة وإدارة المحاصيل بشكل أفضل، مما يؤدي إلى تحسين الإنتاجية والاستخدام الأمثل للموارد في الممارسات الزراعية. يدعم هذا التقدم التكنولوجي مبادرات الزراعة المستدامة والأمن الغذائي.

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

المساهمون

GLglenn-jocher¹⁶ PDpderrenger¹ MAMatthewNoyce¹ RIRizwanMunawar¹

تم الإنشاء 12 نوفمبر 2023تم التحديث الشهر الماضي