Link to this sectionGlobal Wheat Head Dataset#

Das Global Wheat Head Dataset (GWHD) ist ein Objekterkennungs-Datensatz für eine einzige Klasse, der zur Erkennung von Weizenähren – den körnertragenden Ähren der Weizenpflanze – auf Feldaufnahmen im Freien dient. Er umfasst 3.422 Trainings-, 748 Validierungs- und 1.276 Testbilder, die in mehreren Anbauregionen aufgenommen wurden. Er wurde durch die Zusammenarbeit von neun Forschungsinstituten aus sieben Ländern erstellt, damit Modelle eine Generalisierung über verschiedene Umgebungen hinweg erreichen können. Eine präzise Erkennung von Weizenähren bildet die Grundlage für die Schätzung von Ährendichte, Größe und Ertragspotenzial im Bereich der Pflanzenphänotypisierung und des Erntemanagements.

Link to this sectionHauptfunktionen#

• Echte Feldaufnahmen im Freien, die die natürliche Variabilität im Erscheinungsbild von Weizenähren, bei der Beleuchtung und im Wachstumsstadium erfassen.
• Erstellt von neun Forschungsinstituten aus sieben Ländern, die europäische, nordamerikanische, asiatische und australische Anbauregionen abdecken, um eine starke Generalisierung über verschiedene Umgebungen hinweg zu gewährleisten.
• Bounding-Box-Annotationen für eine einzelne Klasse, wheat_head, bereit für Objekterkennungs- und Tracking-Pipelines.
• Die Testbilder stammen von Genotypen und aus Regionen, die während des Trainings nicht verwendet wurden, und stellen somit einen echten Benchmark für die Generalisierung dar.

Link to this sectionDatensatzstruktur#

Das Global Wheat Head Dataset ist in drei Teilmengen unterteilt, die durch die Konfiguration GlobalWheat2020.yaml definiert sind und alle mit einer einzigen Klasse, wheat_head, annotiert sind:

Link to this sectionAnwendungen#

Das Global Wheat Head Dataset wird weithin verwendet, um Deep-Learning-Modelle für die Weizenährerkennung zu trainieren und zu evaluieren. Seine vielfältigen Bilder über Regionen, Genotypen und Bedingungen hinweg machen es zu einer wertvollen Ressource für die Pflanzenphänotypisierung und das Erntemanagement – es unterstützt die Ertragsschätzung, die Überwachung der Pflanzengesundheit und die phänotypische Analyse.

Um Feldaufnahmen zu annotieren sowie Datensatzversionen in deinem Browser zu trainieren und zu verwalten, führe den vollständigen Arbeitsablauf mit der Ultralytics Platform aus.

Link to this sectionDatensatz-YAML#

Eine YAML-Datei wird verwendet, um die Dataset-Konfiguration zu definieren. Sie legt die Pfade, Klassen und weitere Konfigurationsdetails des Datasets fest. 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 auf dem Global Wheat Head Dataset für 100 Epochen bei einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Snippets verwenden. Der Datensatz (ca. 7,0 GB) wird bei der ersten Verwendung automatisch heruntergeladen. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Training für Modelle.

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 sectionBeispielbilder und Annotationen#

Das Global Wheat Head Dataset enthält eine vielfältige Sammlung von Feldaufnahmen im Freien, die die natürliche Variabilität im Aussehen von Weizenähren, Umgebungen und Bedingungen erfassen. Hier ist ein Beispielbild aus dem Datensatz, zusammen mit den entsprechenden Annotationen:

• Weizenährerkennung: Weizenähren sind mit Bounding Boxes für die Objekterkennung annotiert, und zwar unter einer Vielzahl von Feldbedingungen, die die Vielfalt und Komplexität des Datensatzes widerspiegeln.

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 Weizenährerkennung verwendet. Dies ist entscheidend für Anwendungen in der Weizen-Phänotypisierung und im Erntemanagement, da es genauere Schätzungen der Weizenährendichte, der Größe und des gesamten Ertragspotenzials ermöglicht. Präzise Erkennungsmethoden helfen bei der Bewertung der Pflanzengesundheit und Reife, was für ein effizientes Erntemanagement unerlässlich ist.

Link to this sectionWie viele Bilder und Klassen sind im Global Wheat Head Dataset enthalten?#

Das Global Wheat Head Dataset hat eine einzelne Klasse, wheat_head, und ist in drei Teilmengen unterteilt: 3.422 Trainingsbilder, 748 Validierungsbilder und 1.276 Testbilder. Trainings- und Validierungsbilder stammen aus Europa und Nordamerika, während der Testsatz aus Australien, Japan und China stammt, um die Generalisierung auf unbekannte Umgebungen zu bewerten.

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 sectionWie lade ich das Global Wheat Head Dataset herunter?#

Der Datensatz (ca. 7,0 GB) wird beim ersten Training mit data="GlobalWheat2020.yaml" automatisch heruntergeladen – es ist kein manueller Schritt erforderlich. Ultralytics lädt die Bilder und Labels herunter und entpackt sie in dein lokales Datensatzverzeichnis. Du kannst verwandte Datensätze in der Übersicht der Erkennungsdatensätze durchsuchen.

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

Die YAML-Konfigurationsdatei für das Global Wheat Head Dataset namens GlobalWheat2020.yaml ist auf GitHub verfügbar. Du kannst sie unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml abrufen. Diese Datei enthält die Datensatzpfade, Klassen und andere Konfigurationsdetails, die für das Modelltraining in Ultralytics YOLO benötigt werden.

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

Die Erkennung von Weizenähren ist im Erntemanagement entscheidend, da sie eine genaue Schätzung der Dichte und Größe von Weizenähren ermöglicht, was für die Bewertung der Pflanzengesundheit, Reife und des Ertragspotenzials unerlässlich ist. Durch die Nutzung von Deep-Learning-Modellen, die auf Datensätzen wie dem Global Wheat Head Dataset trainiert wurden, können Landwirte und Forscher die Ernte besser überwachen und verwalten, was zu verbesserter Produktivität und optimiertem Ressourceneinsatz in der Landwirtschaft führt. Dieser technologische Fortschritt unterstützt nachhaltige Landwirtschaft und Initiativen zur Ernährungssicherung.

Für weitere Informationen zu Anwendungen von KI in der Landwirtschaft, besuche AI in Agriculture.