Conjunto de datos Global Wheat Head Dataset#
El Global Wheat Head Dataset (GWHD) es un conjunto de datos de object detection de una sola clase para detectar espigas de trigo —las espigas con grano de la planta de trigo— en imágenes de campos al aire libre. Proporciona 3.422 imágenes de entrenamiento, 748 de validación y 1.276 de prueba capturadas en múltiples regiones de cultivo, y fue creado mediante la colaboración de nueve instituciones de investigación de siete países para que los modelos se generalicen a través de diferentes entornos. La detección precisa de espigas de trigo sustenta las estimaciones de la densidad, el tamaño y el potencial de rendimiento de las espigas en la plant phenotyping y la gestión de cultivos.
Características clave#
- Imágenes reales de campos al aire libre que capturan la variabilidad natural en el aspecto, la iluminación y la etapa de crecimiento de las espigas de trigo.
- Creado por nueve institutos de investigación de siete países, que abarcan regiones de cultivo de Europa, América del Norte, Asia y Australia para una fuerte generalización entre entornos.
- Anotaciones de cuadro delimitador para una sola clase,
wheat_head, listas para flujos de trabajo de object detection y tracking. - Las imágenes de prueba provienen de genotipos y regiones no vistos durante el entrenamiento, lo que proporciona una auténtica prueba comparativa de generalización.
Estructura del dataset#
El Global Wheat Head Dataset está organizado en tres subconjuntos definidos por la configuración de GlobalWheat2020.yaml, todos anotados con una sola clase, wheat_head:
| Split | Imágenes | Regiones |
|---|---|---|
| Entrenar | 3,422 | Europa (Francia, Reino Unido, Suiza), América del Norte (Canadá) |
| Validación | 748 | Suiza (ETH Zürich) |
| Prueba | 1,276 | Australia, Japón, China |
El conjunto de validación (748 imágenes) es el subconjunto ethz_1, que también forma parte de los dominios de entrenamiento, por lo que las métricas de validación reflejan el rendimiento dentro del dominio. El conjunto de prueba retenido de Australia, Japón y China mide la generalización a entornos no vistos durante el entrenamiento.
Aplicaciones#
El Global Wheat Head Dataset se utiliza ampliamente para entrenar y evaluar modelos de deep learning para la detección de espigas de trigo. Sus diversas imágenes a través de regiones, genotipos y condiciones lo convierten en un recurso valioso para la plant phenotyping y la gestión de cultivos, apoyando la estimación del rendimiento, el monitoreo de la salud de los cultivos y el análisis fenotípico.
Para anotar imágenes de campo, entrenar y gestionar versiones de conjuntos de datos en tu navegador, ejecuta el flujo de trabajo completo con Ultralytics Platform.
YAML del dataset#
Se utiliza un archivo YAML para definir la configuración del conjunto de datos. Define las rutas, las clases y otros detalles de configuración del conjunto de datos. Para el Global Wheat Head Dataset, el archivo GlobalWheat2020.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/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 /annotationsUso#
Para entrenar un modelo YOLO26n en el Global Wheat Head Dataset durante 100 epochs con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. El conjunto de datos (~7,0 GB) se descarga automáticamente en el primer uso. Para obtener una lista completa de los argumentos disponibles, consulta la página de Training del modelo.
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)Muestras de imágenes y anotaciones#
El Global Wheat Head Dataset contiene un conjunto diverso de imágenes de campos al aire libre, que capturan la variabilidad natural en los aspectos, entornos y condiciones de las espigas de trigo. Aquí tienes una imagen de ejemplo del conjunto de datos, junto con sus anotaciones correspondientes:
- Wheat Head Detection: Las espigas de trigo están anotadas con cuadros delimitadores para object detection, a través de una variedad de condiciones de campo que reflejan la diversidad y complejidad del conjunto de datos.
Citas y agradecimientos#
Si utilizas el Global Wheat Head Dataset en tu trabajo de investigación o desarrollo, por favor cita el siguiente artículo:
@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}
}Nos gustaría agradecer a los investigadores e instituciones que contribuyeron a la creación y el mantenimiento del Global Wheat Head Dataset como un recurso valioso para la comunidad de investigación de fenotipado de plantas y gestión de cultivos. Para obtener más información sobre el conjunto de datos y sus creadores, visita el Global Wheat Head Dataset website.
FAQ#
El Global Wheat Head Dataset se utiliza principalmente para desarrollar y entrenar modelos de deep learning dirigidos a la detección de espigas de trigo. Esto es crucial para aplicaciones en wheat phenotyping y gestión de cultivos, permitiendo estimaciones más precisas de la densidad de espigas de trigo, el tamaño y el potencial de rendimiento general de los cultivos. Los métodos de detección precisos ayudan a evaluar la salud y la madurez de los cultivos, esenciales para una gestión eficiente de los mismos.
El Global Wheat Head Dataset tiene una sola clase,
wheat_head, y está dividido en tres subconjuntos: 3.422 imágenes de entrenamiento, 748 imágenes de validación y 1.276 imágenes de prueba. Las imágenes de entrenamiento y validación provienen de Europa y América del Norte, mientras que el conjunto de prueba se extrae de Australia, Japón y China para evaluar la generalización a entornos no vistos.Para entrenar un modelo YOLO26n en el Global Wheat Head Dataset, puedes utilizar los siguientes fragmentos de código. Asegúrate de tener el archivo de configuración
GlobalWheat2020.yamlque especifica las rutas y clases del conjunto de datos:Ejemplo de entrenamientofrom 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)Para obtener una lista completa de los argumentos disponibles, consulta la página de Training del modelo.
El conjunto de datos (~7,0 GB) se descarga automáticamente la primera vez que entrenas con
data="GlobalWheat2020.yaml"; no se requiere ningún paso manual. Ultralytics recupera las imágenes y etiquetas y las extrae en tu directorio de conjuntos de datos locales. Puedes explorar conjuntos de datos relacionados en el detection datasets overview.El archivo YAML de configuración para el Global Wheat Head Dataset, llamado
GlobalWheat2020.yaml, está disponible en GitHub. Puedes acceder a él en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. Este archivo contiene las rutas del conjunto de datos, las clases y otros detalles de configuración necesarios para el entrenamiento de modelos en Ultralytics YOLO.La detección de espigas de trigo es fundamental en la gestión de cultivos porque permite una estimación precisa de la densidad y el tamaño de las espigas de trigo, que son esenciales para evaluar la salud, la madurez y el potencial de rendimiento de los cultivos. Al aprovechar los deep learning models entrenados en conjuntos de datos como el Global Wheat Head Dataset, los agricultores e investigadores pueden monitorear y gestionar mejor los cultivos, lo que lleva a una mayor productividad y un uso optimizado de los recursos en las prácticas agrícolas. Este avance tecnológico apoya las iniciativas de sustainable agriculture y seguridad alimentaria.
Para obtener más información sobre las aplicaciones de la IA en la agricultura, visita AI in Agriculture.