Global Wheat Head Dataset

Das Global Wheat Head Dataset ist eine Sammlung von Bildern, die dazu dient, die Entwicklung präziser Modelle zur Erkennung von Weizenähren für Anwendungen in der Weizen-Phänotypisierung und im Erntemanagement zu unterstützen. Weizenähren sind die körnertragenden Teile der Weizenpflanze. Eine genaue Schätzung der Dichte und Größe von Weizenähren ist entscheidend für die Bewertung der Pflanzengesundheit, der Reife und des Ertragspotenzials. Der Datensatz wurde in Zusammenarbeit von neun Forschungsinstituten aus sieben Ländern erstellt und deckt mehrere Anbauregionen ab, um sicherzustellen, dass die Modelle eine gute Generalisierung über verschiedene Umgebungen hinweg erreichen.

Hauptmerkmale

• 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 Außenaufnahmen von Feldern, die die natürliche Variabilität im Erscheinungsbild der Weizenähren erfassen.
• Die Annotationen beinhalten Bounding Boxes für Weizenähren, um object detection-Aufgaben zu unterstützen.

Datensatzstruktur

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

1. Training Set: Dieses Subset enthält über 3.000 Bilder aus Europa und Nordamerika. Die Bilder sind mit Bounding Boxes für Weizenähren versehen und dienen als Ground Truth für das Training von Modellen zur Objekterkennung.
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 bisher ungesehenen Genotypen, Umgebungen und Beobachtungsbedingungen zu bewerten.

Anwendungen

Das Global Wheat Head Dataset wird häufig für das Training und die Evaluierung von deep learning-Modellen bei Aufgaben zur Erkennung von Weizenähren verwendet. Die vielfältige Bildersammlung des Datensatzes, die eine breite Palette an Erscheinungsformen, Umgebungen und Bedingungen abdeckt, macht ihn zu einer wertvollen Ressource für Forscher und Praktiker im Bereich der plant phenotyping und des Erntemanagements.

Datensatz-YAML

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Dataset-Konfiguration zu definieren. Sie enthält Informationen zu den Pfaden, Klassen und weiteren relevanten Angaben 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

Verwendung

Um ein YOLO26n-Modell auf dem Global Wheat Head Dataset für 100 epochs mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Snippets verwenden. 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)

Beispieldaten und Annotationen

Das Global Wheat Head Dataset enthält eine vielfältige Sammlung von Außenaufnahmen von Feldern, die die natürliche Variabilität im Erscheinungsbild der Weizenähren, der Umgebungen und der Bedingungen erfassen. Hier sind einige Beispiele aus dem Datensatz zusammen mit den entsprechenden Annotationen:

• Wheat Head Detection: Dieses Bild zeigt ein Beispiel für die Erkennung von Weizenähren, bei der 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 die Bedeutung einer genauen Erkennung von Weizenähren für Anwendungen in der Weizen-Phänotypisierung und im Erntemanagement.

Zitate und Danksagungen

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

@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 der Pflanzen-Phänotypisierung und des Erntemanagements beigetragen haben. Weitere Informationen über den Datensatz und seine Ersteller findest du auf der Global Wheat Head Dataset website.

FAQ

Wofür 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 eingesetzt. Dies ist entscheidend für Anwendungen in der wheat phenotyping und im Erntemanagement, da es genauere Schätzungen der Dichte, Größe und des gesamten Ertragspotenzials von Weizenähren ermöglicht. Genaue Erkennungsmethoden helfen bei der Bewertung der Pflanzengesundheit und Reife, was für ein effizientes Erntemanagement essenziell ist.

Wie trainiere ich ein YOLO26n-Modell mit dem Global Wheat Head Dataset?

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

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)

Für eine umfassende Liste der verfügbaren Argumente siehe die Training-Seite für Modelle.

Was sind die Hauptmerkmale 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 durch unterschiedliche Anbauumgebungen.
• Detaillierte Annotationen mit Bounding Boxes für Weizenähren zur Unterstützung von object detection-Modellen.

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

Wo finde ich die Konfigurations-YAML-Datei für das Global Wheat Head Dataset?

Die Konfigurations-YAML-Datei für das Global Wheat Head Dataset mit dem Namen GlobalWheat2020.yaml ist auf GitHub verfügbar. Du kannst unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml darauf zugreifen. Diese Datei enthält notwendige Informationen über Dataset-Pfade, Klassen und weitere Konfigurationsdetails, die für das Modelltraining in Ultralytics YOLO erforderlich sind.

Warum ist die Erkennung von Weizenähren im Erntemanagement wichtig?

Die Erkennung von Weizenähren ist im Erntemanagement von entscheidender Bedeutung, da sie eine genaue Schätzung der Dichte und Größe der Weizenähren ermöglicht, was für die Bewertung der Pflanzengesundheit, der Reife und des Ertragspotenzials unerlässlich ist. Durch die Nutzung von deep learning models, 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 sustainable agriculture und Ernährungssicherheit.

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