مجموعة بيانات رؤوس القمح العالمية

مجموعة بيانات رؤوس القمح العالمية هي مجموعة من الصور مصممة لدعم تطوير نماذج دقيقة للكشف عن رؤوس القمح، وذلك لاستخدامها في تطبيقات تحديد النمط الظاهري للقمح وإدارة المحاصيل. رؤوس القمح، وتعرف أيضاً باسم السنابل، هي الأجزاء الحاملة للحبوب في نبات القمح. يعد التقدير الدقيق لكثافة وحجم رؤوس القمح أمراً ضرورياً لتقييم صحة المحصول، ومرحلة نضجه، وإمكانات إنتاجيته. تم إنشاء مجموعة البيانات هذه من خلال تعاون تسع مؤسسات بحثية من سبع دول، وهي تغطي مناطق زراعية متعددة لضمان قدرة النماذج على التعميم بشكل جيد عبر بيئات مختلفة.

الميزات الرئيسية

• تحتوي مجموعة البيانات على أكثر من 3,000 صورة تدريبية من أوروبا (فرنسا، المملكة المتحدة، سويسرا) وأمريكا الشمالية (كندا).
• تتضمن ما يقرب من 1,000 صورة اختبارية من أستراليا واليابان والصين.
• الصور هي صور حقلية خارجية، تلتقط التباين الطبيعي في مظاهر رؤوس القمح.
• تتضمن التعليقات التوضيحية مربعات إحاطة لرؤوس القمح لدعم مهام الكشف عن الأجسام.

هيكل مجموعة البيانات

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

1. مجموعة التدريب: تحتوي هذه المجموعة الفرعية على أكثر من 3,000 صورة من أوروبا وأمريكا الشمالية. الصور موسومة بمربعات إحاطة لرؤوس القمح، مما يوفر الحقيقة الأساسية لتدريب نماذج الكشف عن الأجسام.
2. 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.

التطبيقات

تُستخدم مجموعة بيانات رؤوس القمح العالمية على نطاق واسع لتدريب وتقييم نماذج التعلم العميق في مهام الكشف عن رؤوس القمح. إن المجموعة المتنوعة من الصور التي تحتوي عليها، والتي تلتقط نطاقاً واسعاً من المظاهر والبيئات والظروف، تجعلها مورداً قيماً للباحثين والممارسين في مجال تحديد النمط الظاهري للنبات وإدارة المحاصيل.

ملف YAML الخاص بمجموعة البيانات

يتم استخدام ملف YAML (لغة توصيفية) لتعريف تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات، والفئات، وغيرها من المعلومات ذات الصلة. وفي حالة مجموعة بيانات رؤوس القمح العالمية، يتم الحفاظ على ملف GlobalWheat2020.yaml في 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 رؤوس القمح العالمية لمدة 100 حقبة مع حجم صورة 640، يمكنك استخدام مقتطفات الكود التالية. للحصول على قائمة شاملة بالوسيطات المتاحة، ارجع إلى صفحة التدريب 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)

عينة البيانات والشروحات

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

• الكشف عن رؤوس القمح: توضح هذه الصورة مثالاً على الكشف عن رؤوس القمح، حيث يتم تعليق رؤوس القمح بمربعات إحاطة. توفر مجموعة البيانات مجموعة متنوعة من الصور لتسهيل تطوير النماذج لهذه المهمة.

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

الاقتباسات والشكر

إذا كنت تستخدم مجموعة بيانات رؤوس القمح العالمية في بحثك أو عملك 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 الذين ساهموا في إنشاء والحفاظ على مجموعة بيانات رؤوس القمح العالمية كمورد قيم لمجتمع أبحاث تحديد النمط الظاهري للنبات وإدارة المحاصيل. لمزيد من المعلومات حول مجموعة البيانات ومبتكريها، تفضل بزيارة موقع مجموعة بيانات رؤوس القمح العالمية.

الأسئلة الشائعة

ما الذي تُستخدم فيه مجموعة بيانات رؤوس القمح العالمية؟

تُستخدم مجموعة بيانات رؤوس القمح العالمية في المقام الأول لتطوير وتدريب نماذج التعلم العميق التي تهدف إلى الكشف عن رؤوس القمح. وهذا أمر بالغ الأهمية للتطبيقات في تحديد النمط الظاهري للقمح وإدارة المحاصيل، مما يسمح بتقديرات أكثر دقة لكثافة رؤوس القمح، وحجمها، وإمكانات إنتاجية المحاصيل الإجمالية. تساعد طرق الكشف الدقيقة في تقييم صحة المحاصيل ونضجها، وهو أمر ضروري للإدارة الفعالة للمحاصيل.

كيف يمكنني تدريب نموذج YOLO26n على مجموعة بيانات رؤوس القمح العالمية؟

لتدريب نموذج YOLO26n على مجموعة بيانات رؤوس القمح العالمية، يمكنك استخدام مقتطفات الكود التالية. تأكد من توفر ملف التكوين 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، ارجع إلى صفحة التدريب الخاصة بالنموذج.

ما هي الميزات الرئيسية لمجموعة بيانات رؤوس القمح العالمية؟

تشمل الميزات الرئيسية لمجموعة بيانات رؤوس القمح العالمية ما يلي:

• أكثر من 3,000 صورة تدريبية من أوروبا (فرنسا، المملكة المتحدة، سويسرا) وأمريكا الشمالية (كندا).
• ما يقرب من 1,000 صورة اختبارية من أستراليا واليابان والصين.
• تنوع كبير 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.

أين يمكنني العثور على ملف تكوين YAML لمجموعة بيانات رؤوس القمح العالمية؟

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

لماذا يعد الكشف عن رؤوس القمح مهماً في إدارة المحاصيل؟

يعد الكشف عن رؤوس القمح أمراً بالغ الأهمية في إدارة المحاصيل لأنه يتيح التقدير الدقيق لكثافة رؤوس القمح وحجمها، وهما عنصران أساسيان لتقييم صحة المحاصيل، ونضجها، وإمكانات إنتاجيتها. 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.

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