مجموعة بيانات رؤوس القمح العالمية#

يعد Global Wheat Head Dataset (GWHD) مجموعة بيانات object detection ذات فئة واحدة مخصصة ل اكتشاف رؤوس القمح — وهي السنابل الحاملة للحبوب في نبات القمح — في صور الحقول الخارجية. وهي توفر 3,422 صورة للتدريب، و748 صورة للتحقق، و1,276 صورة للاختبار تم التقاطها عبر مناطق نمو متعددة، وقد تم إنشاؤها بفضل تعاون تسعة معاهد بحثية من سبعة بلدان لضمان تعميم النماذج عبر بيئات مختلفة. يُعد اكتشاف رؤوس القمح بدقة أساساً لتقديرات كثافة الرؤوس، وحجمها، وإمكانات الإنتاج في plant phenotyping وإدارة المحاصيل.

الميزات الرئيسية#

• صور حقيقية للحقول المفتوحة تلتقط التباين الطبيعي في مظهر سنابل القمح، والإضاءة، ومراحل النمو.
• أُنشئت بواسطة تسعة معاهد بحثية عبر سبع دول، تغطي مناطق زراعية في أوروبا، وأمريكا الشمالية، وآسيا، وأستراليا لتحقيق تعميم قوي عبر البيئات المختلفة.
• تعليقات مربعات الإحاطة (Bounding-box) لفئة واحدة، wheat_head، جاهزة لخطوط أنابيب object detection وtracking.
• تأتي صور الاختبار من أنماط جينية ومناطق غير مرئية أثناء التدريب، مما يوفر معياراً حقيقياً للتعميم.

هيكل مجموعة البيانات#

تنقسم مجموعة بيانات Global Wheat Head Dataset إلى ثلاث مجموعات فرعية محددة بواسطة تكوين GlobalWheat2020.yaml، وجميعها مُعنَّنة بفئة واحدة، wheat_head:

التطبيقات#

تُستخدم مجموعة بيانات Global Wheat Head Dataset على نطاق واسع لتدريب وتقييم نماذج deep learning الخاصة باكتشاف رؤوس القمح. تجعلها صورها المتنوعة عبر المناطق، والتراكيب الوراثية، والظروف مورداً قيماً لـ plant phenotyping وإدارة المحاصيل — حيث تدعم تقدير الإنتاج، ومراقبة صحة المحاصيل، والتحليل المظهري.

للتعليق على صور الحقول، وتدريب إصدارات مجموعة البيانات وإدارتها في متصفحك، قم بتشغيل سير العمل الكامل باستخدام Ultralytics Platform.

YAML مجموعة البيانات#

يتم استخدام ملف YAML لتحديد تكوين مجموعة البيانات. وهو يحدد مسارات مجموعة البيانات، والفئات، وتفاصيل التكوين الأخرى. بالنسبة لمجموعة بيانات GlobalWheat2020، يتم الاحتفاظ بملف GlobalWheat2020.yaml على https://github.com/ultralytics/ultralytics/blob/main/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

الاستخدام#

لتدريب نموذج YOLO26n على مجموعة بيانات Global Wheat Head Dataset لعدد 100 epochs بحجم صورة يبلغ 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. يتم تنزيل مجموعة البيانات (~7.0 غيغابايت) تلقائياً عند الاستخدام الأول. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة Training الخاصة بالنموذج.

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)

صور وشروحات توضيحية عينة#

تحتوي مجموعة بيانات Global Wheat Head Dataset على مجموعة متنوعة من صور الحقول المفتوحة، التي تلتقط التباين الطبيعي في مظاهر سنابل القمح، والبيئات، والظروف. فيما يلي صورة نموذجية من مجموعة البيانات، مع التسميات التوضيحية المقابلة لها:

• اكتشاف رؤوس القمح: تتم الإشارة إلى رؤوس القمح بمربعات إحاطة لـ object detection، عبر مجموعة متنوعة من ظروف الحقل التي تعكس تنوع وتعقيد مجموعة البيانات.

الاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات رؤوس القمح العالمية في عملك البحثي أو التطويري، يرجى الاستشهاد بالورقة البحثية 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 نشكر الباحثين والمؤسسات التي ساهمت في إنشاء وصيانة مجموعة بيانات Global Wheat Head Dataset كمورد قيم لمجتمع أبحاث النمط الظاهري للنبات وإدارة المحاصيل. لمزيد من المعلومات حول مجموعة البيانات ومبتكريها، تفضل بزيارة Global Wheat Head Dataset website.

الأسئلة الشائعة#