Zum Inhalt springen

Global Wheat Head Datensatz

Der Global Wheat Head Dataset ist eine Bildersammlung, die die Entwicklung von genauen Modellen zur Erkennung von Weizenähren für Anwendungen in der Weizenphänotypisierung und im Pflanzenmanagement unterstützen soll. Weizenähren, auch Ähren genannt, sind die körnertragenden Teile der Weizenpflanze. Eine genaue Schätzung der Dichte und Größe der Weizenähren ist für die Beurteilung der Gesundheit, Reife und des Ertragspotenzials der Pflanzen unerlässlich. Der Datensatz, der in Zusammenarbeit von neun Forschungsinstituten aus sieben Ländern erstellt wurde, deckt mehrere Anbauregionen ab, um sicherzustellen, dass die Modelle in verschiedenen Umgebungen gut generalisieren.

Hauptmerkmale

  • Der Datensatz enthält über 3.000 Trainingsbilder aus Europa (Frankreich, Großbritannien, Schweiz) und Nordamerika (Kanada).
  • Es enthält ungefähr 1.000 Testbilder aus Australien, Japan und China.
  • Die Bilder sind Außenaufnahmen von Feldern, die die natürliche Variabilität im Aussehen von Weizenähren erfassen.
  • Annotationen umfassen Begrenzungsrahmen für Weizenähren zur Unterstützung von Objekterkennungsaufgaben.

Dataset-Struktur

Das Global Wheat Head Dataset ist in zwei Hauptuntergruppen unterteilt:

  1. Trainingsdatensatz: Diese Teilmenge enthält über 3.000 Bilder aus Europa und Nordamerika. Die Bilder sind mit Begrenzungsrahmen für Weizenähren versehen und liefern die Ground Truth für das Training von Objekterkennungsmodellen.
  2. Testdatensatz: Diese Teilmenge besteht aus etwa 1.000 Bildern aus Australien, Japan und China. Diese Bilder werden verwendet, um die Leistung trainierter Modelle auf ungesehenen Genotypen, Umgebungen und Beobachtungsbedingungen zu bewerten.

Anwendungen

Der Global Wheat Head Dataset wird häufig für das Training und die Evaluierung von Deep-Learning-Modellen in Aufgaben zur Erkennung von Weizenähren verwendet. Der vielfältige Satz von Bildern des Datensatzes, der ein breites Spektrum an Erscheinungsbildern, Umgebungen und Bedingungen erfasst, macht ihn zu einer wertvollen Ressource für Forscher und Praktiker auf dem Gebiet der Pflanzenphänotypisierung und des Pflanzenmanagements.

Datensatz-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 Informationen des Datensatzes. Für den Global Wheat Head-Datensatz ist die GlobalWheat2020.yaml Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml.

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

Nutzung

Um ein YOLO11n-Modell auf dem Global Wheat Head Dataset für 100 Epochen mit einer Bildgröße von 640 zu trainieren, können Sie die folgenden Code-Snippets verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Trainings-Seite des Modells.

Trainingsbeispiel

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640

Beispieldaten und Anmerkungen

Das Global Wheat Head Dataset enthält eine vielfältige Sammlung von Bildern von Weizenfeldern im Freien, die die natürliche Variabilität im Aussehen, in der Umgebung und den Bedingungen von Weizenähren erfassen. Hier sind einige Beispiele für Daten aus dem Datensatz zusammen mit den entsprechenden Anmerkungen:

Beispielbild des Datensatzes

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

Das Beispiel zeigt die Vielfalt und Komplexität der Daten im Global Wheat Head Dataset und unterstreicht die Bedeutung einer genauen Erkennung von Weizenähren für Anwendungen in der Weizenphänotypisierung und im Pflanzenmanagement.

Zitate und Danksagungen

Wenn Sie den Global Wheat Head Dataset in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, zitieren Sie 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 die Forscher und Institutionen anerkennen, die zur Erstellung und Pflege des Global Wheat Head Datasets als wertvolle Ressource für die Forschungsgemeinschaft in den Bereichen Pflanzenphänotypisierung und Pflanzenmanagement beigetragen haben. Weitere Informationen über den Datensatz und seine Urheber finden Sie auf der Global Wheat Head Dataset-Website.

FAQ

Wofür wird der Global Wheat Head Datensatz verwendet?

Der Global Wheat Head Dataset wird hauptsächlich für die Entwicklung und das Training von Deep-Learning-Modellen verwendet, die auf die Erkennung von Weizenähren abzielen. Dies ist entscheidend für Anwendungen in der Weizenphänotypisierung und im Pflanzenmanagement und ermöglicht genauere Schätzungen der Weizenährendichte, -größe und des gesamten potenziellen Ernteertrags. Genaue Erkennungsmethoden helfen bei der Beurteilung der Pflanzengesundheit und -reife, was für ein effizientes Pflanzenmanagement unerlässlich ist.

Wie trainiere ich ein YOLO11n-Modell auf dem Global Wheat Head Datensatz?

Um ein YOLO11n-Modell auf dem Global Wheat Head Dataset zu trainieren, können Sie die folgenden Code-Snippets verwenden. Stellen Sie sicher, dass Sie die GlobalWheat2020.yaml Konfigurationsdatei, die Datensatzpfade und -klassen festlegt:

Trainingsbeispiel

from ultralytics import YOLO

# Load a pre-trained model (recommended for training)
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640

Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Training des Modells.

Was sind die wichtigsten Merkmale des Global Wheat Head Datensatzes?

Zu den Hauptmerkmalen des Global Wheat Head Datasets gehören:

  • Über 3.000 Trainingsbilder aus Europa (Frankreich, Großbritannien, Schweiz) und Nordamerika (Kanada).
  • Ungefähr 1.000 Testbilder aus Australien, Japan und China.
  • Hohe Variabilität im Erscheinungsbild von Weizenähren aufgrund unterschiedlicher Anbauumgebungen.
  • Detaillierte Annotationen mit Weizenkopf-Bounding-Boxes zur Unterstützung von Objekterkennungsmodellen.

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

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

Die YAML-Konfigurationsdatei für den Global Wheat Head Dataset, namens GlobalWheat2020.yaml, ist auf GitHub verfügbar. Sie können unter folgender Adresse darauf zugreifen: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. Diese Datei enthält notwendige Informationen über Dataset-Pfade, Klassen und andere Konfigurationsdetails, die für das Modelltraining in benötigt werden. Ultralytics YOLO.

Warum ist die Erkennung von Weizenähren im Pflanzenmanagement wichtig?

Die Erkennung von Weizenähren ist entscheidend für das Pflanzenmanagement, da sie eine genaue Schätzung der Dichte und Größe der Weizenähren ermöglicht, die für die Bewertung der Pflanzengesundheit, der Reife und des Ertragspotenzials unerlässlich sind. Durch die Nutzung von Deep-Learning-Modellen, die auf Datensätzen wie dem Global Wheat Head Dataset trainiert wurden, können Landwirte und Forscher die Pflanzen besser überwachen und verwalten, was zu einer verbesserten Produktivität und einem optimierten Ressourceneinsatz in der Landwirtschaft führt. Dieser technologische Fortschritt unterstützt Initiativen für nachhaltige Landwirtschaft und Ernährungssicherheit.

Weitere Informationen zu Anwendungen von KI in der Landwirtschaft finden Sie unter KI in der Landwirtschaft.



📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 4 Monaten

Kommentare