Link to this sectionGlobal Wheat Head Dataset#

Das Global Wheat Head Dataset ist eine Sammlung von Bildern, die entwickelt wurde, um die Erstellung präziser Modelle zur Erkennung von Weizenähren für Anwendungen in der Weizen-Phänotypisierung und im Erntemanagement zu unterstützen. Weizenähren, auch Ähren genannt, sind die kornführenden Teile der Weizenpflanze. Eine genaue Einschätzung der Dichte und Größe der Weizenähren ist für die Beurteilung von Pflanzengesundheit, Reifegrad und Ertragspotenzial unerlässlich. Der Datensatz wurde in Zusammenarbeit von neun Forschungsinstituten aus sieben Ländern erstellt und deckt mehrere Anbauregionen ab, um sicherzustellen, dass die Modelle über verschiedene Umgebungen hinweg gut generalisieren.

Link to this sectionHauptfunktionen#

• Der Datensatz enthält über 3.000 Trainingsbilder aus Europa (Frankreich, Großbritannien, Schweiz) und Nordamerika (Kanada).
• Er umfasst etwa 1.000 Testbilder aus Australien, Japan und China.
• Bei den Bildern handelt es sich um Outdoor-Feldaufnahmen, die die natürliche Variabilität im Erscheinungsbild von Weizenähren einfangen.
• Die Annotationen umfassen Bounding Boxes für Weizenähren, um Objekterkennung-Aufgaben zu unterstützen.

Link to this sectionDatensatzstruktur#

Das Global Wheat Head Dataset ist in zwei Haupt-Subsets unterteilt:

1. Trainings-Set: Dieses Subset enthält über 3.000 Bilder aus Europa und Nordamerika. Die Bilder sind mit Bounding Boxes für Weizenähren markiert und liefern die Ground Truth für das Training von Objekterkennungsmodellen.
2. Test-Set: Dieses Subset besteht aus etwa 1.000 Bildern aus Australien, Japan und China. Diese Bilder werden verwendet, um die Leistung trainierter Modelle bei unbekannten Genotypen, Umgebungen und Beobachtungsbedingungen zu bewerten.

Link to this sectionAnwendungen#

Das Global Wheat Head Dataset wird häufig zum Trainieren und Evaluieren von Deep Learning-Modellen bei der Erkennung von Weizenähren verwendet. Die vielfältige Auswahl an Bildern, die ein breites Spektrum an Erscheinungsformen, Umgebungen und Bedingungen abdeckt, macht diesen Datensatz zu einer wertvollen Ressource für Forscher und Praktiker im Bereich der Pflanzen-Phänotypisierung und des Erntemanagements.

Link to this sectionDatensatz-YAML#

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Konfiguration des Datensatzes zu definieren. Sie enthält Informationen über die Pfade, Klassen und andere relevante Daten des Datensatzes. Für das Global Wheat Head Dataset wird die Datei GlobalWheat2020.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml gepflegt.

# 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 sectionVerwendung#

Um ein YOLO26n-Modell mit dem Global Wheat Head Dataset für 100 Epochen bei einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Snippets verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite zum Training von Modellen.

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 sectionBeispieldaten und Annotationen#

Das Global Wheat Head Dataset enthält eine vielfältige Auswahl an Outdoor-Feldaufnahmen, die die natürliche Variabilität in Erscheinungsbild, Umgebungen und Bedingungen von Weizenähren erfassen. Hier sind einige Beispiele aus dem Datensatz zusammen mit den entsprechenden Annotationen:

• Erkennung von Weizenähren: Dieses Bild zeigt ein Beispiel für die Erkennung von Weizenähren, bei dem die Ähren mit Bounding Boxes annotiert sind. Der Datensatz bietet eine Vielzahl von Bildern, um die Entwicklung von Modellen für diese Aufgabe zu erleichtern.

Das Beispiel verdeutlicht die Vielfalt und Komplexität der Daten im Global Wheat Head Dataset und unterstreicht, wie wichtig eine präzise Weizenähren-Erkennung für Anwendungen in der Weizen-Phänotypisierung und im Erntemanagement ist.

Link to this sectionZitate und Danksagungen#

Wenn du das Global Wheat Head Dataset in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Publikation:

@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}
}

Wir möchten den Forschern und Institutionen danken, die zur Erstellung und Pflege des Global Wheat Head Datasets als wertvolle Ressource für die Forschungsgemeinschaft im Bereich Pflanzen-Phänotypisierung und Erntemanagement beigetragen haben. Weitere Informationen über den Datensatz und seine Ersteller findest du auf der Website des Global Wheat Head Datasets.

Link to this sectionFAQ#

Link to this sectionWofür wird das Global Wheat Head Dataset verwendet?#

Das Global Wheat Head Dataset wird hauptsächlich für die Entwicklung und das Training von Deep-Learning-Modellen zur Erkennung von Weizenähren genutzt. Dies ist entscheidend für Anwendungen in der Weizen-Phänotypisierung und im Erntemanagement, da es genauere Schätzungen der Ährendichte, Größe und des gesamten Ertragspotenzials ermöglicht. Präzise Erkennungsmethoden helfen bei der Beurteilung der Pflanzengesundheit und des Reifegrades, was für ein effizientes Erntemanagement essenziell ist.

Link to this sectionWie trainiere ich ein YOLO26n-Modell mit dem Global Wheat Head Dataset?#

Um ein YOLO26n-Modell mit dem Global Wheat Head Dataset zu trainieren, kannst du die folgenden Code-Snippets verwenden. Stelle sicher, dass du die Konfigurationsdatei GlobalWheat2020.yaml hast, in der die Pfade und Klassen des Datensatzes spezifiziert sind:

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)

Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite zum Training von Modellen.

Link to this sectionWas sind die wichtigsten Merkmale des Global Wheat Head Datasets?#

Zu den Hauptmerkmalen des Global Wheat Head Datasets gehören:

• Über 3.000 Trainingsbilder aus Europa (Frankreich, Großbritannien, Schweiz) und Nordamerika (Kanada).
• Etwa 1.000 Testbilder aus Australien, Japan und China.
• Hohe Variabilität im Erscheinungsbild der Weizenähren aufgrund unterschiedlicher Anbaubedingungen.
• Detaillierte Annotationen mit Bounding Boxes für Weizenähren zur Unterstützung von Objekterkennungs-Modellen.

Diese Merkmale erleichtern die Entwicklung robuster Modelle, die fähig sind, über mehrere Regionen hinweg zu generalisieren.

Link to this sectionWo finde ich die YAML-Konfigurationsdatei für das Global Wheat Head Dataset?#

Die YAML-Konfigurationsdatei für das Global Wheat Head Dataset, genannt GlobalWheat2020.yaml, ist auf GitHub verfügbar. Du findest sie unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. Diese Datei enthält notwendige Informationen zu Pfaden, Klassen und anderen Konfigurationsdetails, die für das Modelltraining in Ultralytics YOLO erforderlich sind.

Link to this sectionWarum ist die Erkennung von Weizenähren beim Erntemanagement wichtig?#

Die Erkennung von Weizenähren ist beim Erntemanagement von entscheidender Bedeutung, da sie eine genaue Schätzung der Ährendichte und -größe ermöglicht, was für die Beurteilung von Pflanzengesundheit, Reifegrad und Ertragspotenzial unerlässlich ist. Durch die Nutzung von Deep-Learning-Modellen, die mit Datensätzen wie dem Global Wheat Head Dataset trainiert wurden, können Landwirte und Forscher ihre Ernten besser überwachen und verwalten, was zu einer verbesserten Produktivität und einer optimierten Ressourcennutzung in der Landwirtschaft führt. Dieser technologische Fortschritt unterstützt Initiativen für nachhaltige Landwirtschaft und Ernährungssicherheit.

Weitere Informationen zu Anwendungen von KI in der Landwirtschaft findest du unter KI in der Landwirtschaft.