Link to this sectionمجموعة بيانات رؤوس القمح العالمية#

مجموعة بيانات Global Wheat Head Dataset (GWHD) هي مجموعة بيانات object detection ذات فئة واحدة لاكتشاف سنابل القمح — وهي الأجزاء الحاملة للحبوب في نبات القمح — في صور الحقول المفتوحة. توفر مجموعة البيانات 3,422 صورة للتدريب، و748 للتحقق من الصحة، و1,276 للاختبار، التقطت عبر مناطق زراعية متعددة، وقد تم إنشاؤها بالتعاون بين تسعة معاهد بحثية من سبع دول لضمان تعميم النماذج عبر بيئات مختلفة. يُعد الاكتشاف الدقيق لسنابل القمح أساسًا لتقديرات كثافة السنابل وحجمها وإمكانات المحصول في plant phenotyping وإدارة المحاصيل.

Link to this sectionالميزات 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.
• تسميات توضيحية لصناديق الإحاطة (bounding-box) لفئة واحدة هي wheat_head، جاهزة لخطوات عمل object detection وtracking.
• تأتي صور الاختبار من أنماط جينية ومناطق غير مرئية أثناء التدريب، مما يوفر معياراً حقيقياً للتعميم.

Link to this sectionهيكل مجموعة البيانات#

تم تنظيم مجموعة بيانات Global Wheat Head Dataset في ثلاث مجموعات فرعية محددة بواسطة ملف الإعدادات GlobalWheat2020.yaml، وجميعها موسومة بفئة واحدة وهي wheat_head:

Link to this sectionالتطبيقات#

تُستخدم مجموعة بيانات Global Wheat Head Dataset على نطاق واسع لتدريب وتقييم نماذج deep learning لاكتشاف سنابل القمح. صورها المتنوعة عبر المناطق والأنماط الجينية والظروف تجعلها مورداً قيماً لـ plant phenotyping وإدارة المحاصيل — مما يدعم تقدير المحصول، ومراقبة صحة المحاصيل، والتحليل المظهري.

لتسمية صور الحقول، وتدريب، وإدارة إصدارات مجموعة البيانات في متصفحك، قم بتشغيل سير العمل الكامل باستخدام Ultralytics Platform.

Link to this sectionYAML مجموعة البيانات#

يُستخدم ملف YAML لتعريف إعدادات مجموعة البيانات. وهو يحدد مسارات مجموعة البيانات، والفئات، وتفاصيل الإعدادات الأخرى. بالنسبة لمجموعة بيانات Global Wheat Head، يتم الاحتفاظ بملف GlobalWheat2020.yaml على الرابط 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

Link to this sectionالاستخدام#

لتدريب نموذج YOLO26n على مجموعة بيانات Global Wheat Head Dataset لمدة 100 epochs بحجم صورة 640، يمكنك استخدام مقتطفات الكود التالية. يتم تنزيل مجموعة البيانات (~7.0 جيجابايت) تلقائياً عند الاستخدام لأول مرة. للحصول على قائمة شاملة بالوسيطات 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)

Link to this sectionصور 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:

• Wheat Head Detection: يتم تمييز سنابل القمح بصناديق إحاطة لغرض object detection، عبر مجموعة متنوعة من ظروف الحقل التي تعكس تنوع وتعقيد مجموعة البيانات.

Link to this sectionالاقتباسات 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 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 Global Wheat Head Dataset بشكل أساسي لتطوير وتدريب نماذج deep learning التي تهدف إلى اكتشاف سنابل القمح. هذا أمر بالغ الأهمية للتطبيقات في wheat phenotyping وإدارة المحاصيل، مما يسمح بتقديرات أكثر دقة لكثافة سنابل القمح، وحجمها، وإمكانات محصول المحاصيل الإجمالية. تساعد طرق الاكتشاف الدقيقة في تقييم صحة المحاصيل ونضجها، وهو أمر ضروري لإدارة المحاصيل بكفاءة.

Link to this sectionما هو عدد الصور والفئات الموجودة في مجموعة بيانات Global Wheat Head Dataset؟#

تحتوي مجموعة بيانات Global Wheat Head Dataset على فئة واحدة، وهي wheat_head، وتنقسم إلى ثلاث مجموعات فرعية: 3,422 صورة للتدريب، و748 صورة للتحقق، و1,276 صورة للاختبار. تأتي صور التدريب والتحقق من أوروبا وأمريكا الشمالية، بينما يتم سحب مجموعة الاختبار من أستراليا واليابان والصين لتقييم التعميم على البيئات غير المرئية.

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:

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 sectionكيف يمكنني تنزيل مجموعة بيانات Global Wheat Head Dataset؟#

يتم تنزيل مجموعة البيانات (~7.0 جيجابايت) تلقائياً في المرة الأولى التي تقوم فيها بالتدريب باستخدام data="GlobalWheat2020.yaml" — لا تتطلب العملية أي خطوات يدوية. يقوم Ultralytics بجلب الصور والملصقات وفك ضغطها في دليل مجموعات البيانات المحلي الخاص بك. يمكنك تصفح مجموعات البيانات ذات الصلة في detection datasets overview.

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

ملف YAML الخاص بإعدادات مجموعة بيانات Global Wheat Head Dataset، والذي يحمل اسم 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 مسارات مجموعة البيانات، والفئات، وتفاصيل الإعدادات الأخرى اللازمة لتدريب النموذج في Ultralytics YOLO.

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

يعد اكتشاف رؤوس القمح أمراً بالغ الأهمية في إدارة المحاصيل لأنه يتيح التقدير الدقيق لكثافة وحجم رؤوس القمح، وهي عناصر أساسية لتقييم صحة المحصول، ونضجه، وإمكانات إنتاجيته. من خلال الاستفادة من deep learning models المدربة على مجموعات بيانات مثل Global Wheat Head Dataset، يمكن للمزارعين والباحثين مراقبة المحاصيل وإدارتها بشكل أفضل، مما يؤدي إلى تحسين الإنتاجية والاستخدام الأمثل للموارد في الممارسات الزراعية. يدعم هذا التقدم التكنولوجي مبادرات sustainable agriculture والأمن الغذائي.

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