Link to this sectionConjunto de datos Global Wheat Head Dataset#

El Global Wheat Head Dataset es una colección de imágenes diseñada para apoyar el desarrollo de modelos precisos de detección de espigas de trigo para aplicaciones en fenotipado de trigo y gestión de cultivos. Las espigas de trigo, también conocidas como cabezas, son las partes de la planta que contienen el grano. Una estimación precisa de la densidad y el tamaño de las espigas es fundamental para evaluar la salud del cultivo, su madurez y el potencial de rendimiento. El conjunto de datos, creado mediante la colaboración de nueve institutos de investigación de siete países, cubre múltiples regiones de cultivo para garantizar que los modelos se generalicen bien en diferentes entornos.

Link to this sectionCaracterísticas clave#

• El conjunto de datos contiene más de 3.000 imágenes de entrenamiento de Europa (Francia, Reino Unido, Suiza) y América del Norte (Canadá).
• Incluye aproximadamente 1.000 imágenes de prueba de Australia, Japón y China.
• Las imágenes son de campos al aire libre y capturan la variabilidad natural en la apariencia de las espigas de trigo.
• Las anotaciones incluyen cuadros delimitadores de espigas de trigo para respaldar tareas de detección de objetos.

Link to this sectionEstructura del dataset#

El Global Wheat Head Dataset está organizado en dos subconjuntos principales:

1. Training Set: Este subconjunto contiene más de 3.000 imágenes de Europa y América del Norte. Las imágenes están etiquetadas con cuadros delimitadores de espigas de trigo, proporcionando la verdad fundamental para entrenar modelos de detección de objetos.
2. Test Set: Este subconjunto consta de aproximadamente 1.000 imágenes de Australia, Japón y China. Estas imágenes se utilizan para evaluar el rendimiento de los modelos entrenados en genotipos, entornos y condiciones de observación no vistos previamente.

Link to this sectionAplicaciones#

El Global Wheat Head Dataset se utiliza ampliamente para entrenar y evaluar modelos de deep learning en tareas de detección de espigas de trigo. El diverso conjunto de imágenes del conjunto de datos, que captura una amplia gama de apariencias, entornos y condiciones, lo convierte en un recurso valioso para investigadores y profesionales en el campo del plant phenotyping y la gestión de cultivos.

Link to this sectionYAML del dataset#

Se utiliza un archivo YAML (Yet Another Markup Language) para definir la configuración del conjunto de datos. Contiene información sobre las rutas del conjunto de datos, las clases y otra información relevante. Para el caso del 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 /annotations

Link to this sectionUso#

Para entrenar un modelo YOLO26n en el Global Wheat Head Dataset durante 100 epochs con un tamaño de imagen de 640, puedes usar los siguientes fragmentos de código. 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)

Link to this sectionEjemplos de datos y anotaciones#

El Global Wheat Head Dataset contiene un conjunto diverso de imágenes de campos al aire libre, capturando la variabilidad natural en la apariencia, los entornos y las condiciones de las espigas de trigo. Aquí tienes algunos ejemplos de datos del conjunto, junto con sus correspondientes anotaciones:

• Wheat Head Detection: Esta imagen muestra un ejemplo de detección de espigas de trigo, donde las espigas están anotadas con cuadros delimitadores. El conjunto de datos proporciona una variedad de imágenes para facilitar el desarrollo de modelos para esta tarea.

El ejemplo muestra la variedad y complejidad de los datos en el Global Wheat Head Dataset y destaca la importancia de una detección precisa de las espigas de trigo para aplicaciones en fenotipado de trigo y gestión de cultivos.

Link to this sectionCitas 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 reconocer 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 en fenotipado de plantas y gestión de cultivos. Para obtener más información sobre el conjunto de datos y sus creadores, visita el sitio web del Global Wheat Head Dataset.

Link to this sectionFAQ#

Link to this section¿Para qué se utiliza el Global Wheat Head Dataset?#

El Global Wheat Head Dataset se utiliza principalmente para desarrollar y entrenar modelos de deep learning destinados a la detección de espigas de trigo. Esto es crucial para aplicaciones en wheat phenotyping y gestión de cultivos, lo que permite estimaciones más precisas de la densidad, el tamaño y el potencial de rendimiento general de las espigas de trigo. Los métodos de detección precisos ayudan a evaluar la salud y la madurez del cultivo, lo cual es esencial para una gestión eficiente del mismo.

Link to this section¿Cómo entreno un modelo YOLO26n en el Global Wheat Head Dataset?#

Para entrenar un modelo YOLO26n en el Global Wheat Head Dataset, puedes usar los siguientes fragmentos de código. Asegúrate de tener el archivo de configuración GlobalWheat2020.yaml especificando las rutas del conjunto de datos y las clases:

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)

Para obtener una lista completa de los argumentos disponibles, consulta la página de Training del modelo.

Link to this section¿Cuáles son las características clave del Global Wheat Head Dataset?#

Las características clave del Global Wheat Head Dataset incluyen:

• Más de 3.000 imágenes de entrenamiento de Europa (Francia, Reino Unido, Suiza) y América del Norte (Canadá).
• Aproximadamente 1.000 imágenes de prueba de Australia, Japón y China.
• Alta variabilidad en la apariencia de las espigas de trigo debido a diferentes entornos de cultivo.
• Anotaciones detalladas con cuadros delimitadores de espigas de trigo para ayudar a modelos de detección de objetos.

Estas características facilitan el desarrollo de modelos robustos capaces de generalizar en múltiples regiones.

Link to this section¿Dónde puedo encontrar el archivo YAML de configuración para el Global Wheat Head Dataset?#

El archivo de configuración YAML 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 información necesaria sobre las rutas del conjunto de datos, las clases y otros detalles de configuración requeridos para el entrenamiento de modelos en Ultralytics YOLO.

Link to this section¿Por qué es importante la detección de espigas de trigo en la gestión de cultivos?#

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, lo cual es esencial para evaluar la salud, la madurez y el potencial de rendimiento del cultivo. Al aprovechar modelos de aprendizaje profundo entrenados en conjuntos de datos como el Global Wheat Head Dataset, agricultores e investigadores pueden monitorear y gestionar mejor los cultivos, lo que conduce a una mayor productividad y a un uso optimizado de los recursos en las prácticas agrícolas. Este avance tecnológico apoya iniciativas de agricultura sostenible y seguridad alimentaria.

Para obtener más información sobre las aplicaciones de la IA en la agricultura, visita AI in Agriculture.