مجموعة بيانات رأس القمح العالمية

مجموعة بيانات رأس القمح العالمية عبارة عن مجموعة من الصور المصممة لدعم تطوير نماذج دقيقة للكشف عن رؤوس القمح للتطبيقات في التنميط الظاهري للقمح وإدارة المحاصيل. رؤوس القمح ، والمعروفة أيضا باسم المسامير ، هي الأجزاء الحاملة للحبوب في نبات القمح. يعد التقدير الدقيق لكثافة رأس القمح وحجمه أمرا ضروريا لتقييم صحة المحاصيل ونضجها وإمكانات الغلة. تغطي مجموعة البيانات ، التي تم إنشاؤها من خلال تعاون تسعة معاهد بحثية من سبعة بلدان ، مناطق نمو متعددة لضمان تعميم النماذج بشكل جيد عبر بيئات مختلفة.

الميزات الرئيسية

• تحتوي مجموعة البيانات على أكثر من 3000 صورة تدريبية من أوروبا (فرنسا والمملكة المتحدة وسويسرا) وأمريكا الشمالية (كندا).
• يتضمن ما يقرب من 1000 صورة اختبار من أستراليا واليابان والصين.
• الصور هي صور ميدانية خارجية ، تلتقط التباين الطبيعي في مظاهر رأس القمح.
• تتضمن التعليقات التوضيحية مربعات إحاطة برأس القمح لدعم مهام اكتشاف الكائنات.

هيكل مجموعة البيانات

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

1. مجموعة التدريب: تحتوي هذه المجموعة الفرعية على أكثر من 3000 صورة من أوروبا وأمريكا الشمالية. يتم تمييز الصور بمربعات محيطة برأس القمح ، مما يوفر حقيقة أرضية لتدريب نماذج اكتشاف الكائنات.
2. مجموعة الاختبار: تتكون هذه المجموعة الفرعية من حوالي 1000 صورة من أستراليا واليابان والصين. تستخدم هذه الصور لتقييم أداء النماذج المدربة على الأنماط الجينية غير المرئية والبيئات وظروف الرصد.

التطبيقات

تستخدم مجموعة بيانات رأس القمح العالمية على نطاق واسع لتدريب وتقييم نماذج التعلم العميق في مهام الكشف عن رأس القمح. مجموعة الصور المتنوعة لمجموعة البيانات ، التي تلتقط مجموعة واسعة من المظاهر والبيئات والظروف ، تجعلها موردا قيما للباحثين والممارسين في مجال التنميط الظاهري للنبات وإدارة المحاصيل.

مجموعة البيانات YAML

يتم استخدام ملف YAML (لغة ترميز أخرى) لتحديد تكوين مجموعة البيانات. يحتوي على معلومات حول مسارات مجموعة البيانات والفئات والمعلومات الأخرى ذات الصلة. بالنسبة لمجموعة بيانات رأس القمح العالمية ، فإن 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

استخدام

لتدريب أ YOLOv8n على مجموعة بيانات رأس القمح العالمي ل 100 حقبة بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسيطات المتاحة، ارجع إلى صفحة نموذج التدريب .

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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=yolov8n.pt epochs=100 imgsz=640

عينة من البيانات والتعليقات التوضيحية

تحتوي مجموعة بيانات رأس القمح العالمية على مجموعة متنوعة من الصور الميدانية الخارجية ، وتلتقط التباين الطبيعي في مظهر رأس القمح وبيئاته وظروفه. في ما يلي بعض الأمثلة على البيانات من مجموعة البيانات، إلى جانب التعليقات التوضيحية المقابلة لها:

• اكتشاف رأس القمح: توضح هذه الصورة مثالا على اكتشاف رأس القمح ، حيث يتم تعليق رؤوس القمح بمربعات محيطة. توفر مجموعة البيانات مجموعة متنوعة من الصور لتسهيل تطوير نماذج لهذه المهمة.

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

الاستشهادات والشكر

إذا كنت تستخدم مجموعة بيانات رأس القمح العالمي في أعمال البحث أو التطوير الخاصة بك ، فيرجى 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 وصيانة مجموعة بيانات رأس القمح العالمية كمورد قيم لمجتمع أبحاث التنميط الظاهري النباتي وإدارة المحاصيل. لمزيد من المعلومات حول مجموعة البيانات ومنشئيها، تفضل بزيارة الموقع الإلكتروني لمجموعة بيانات رأس القمح العالمية.

الأسئلة المتداولة

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 بتقديرات 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 YOLOv8n على مجموعة بيانات رأس القمح العالمية؟

لتدريب نموذج YOLOv8n 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("yolov8n.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=yolov8n.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).
• حوالي 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 YAML للتكوين الخاص بمجموعة 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. وبالاستفادة 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 عن تطبيقات الذكاء الاصطناعي في الزراعة، تفضل بزيارة الذكاء الاصطناعي في الزراعة.

التعليقات