Link to this sectionGlobal Wheat Head Dataset#

Le Global Wheat Head Dataset (GWHD) est un jeu de données de détection d'objets à classe unique pour détecter les têtes de blé — les épis contenant les grains de la plante de blé — dans des images de champs en extérieur. Il fournit 3 422 images d'entraînement, 748 de validation et 1 276 de test capturées dans plusieurs régions de culture, et a été créé par une collaboration de neuf instituts de recherche de sept pays afin que les modèles se généralisent à différents environnements. Une détection précise des têtes de blé est essentielle pour estimer la densité, la taille et le rendement potentiel des têtes dans le cadre du phénotypage des plantes et de la gestion des cultures.

Link to this sectionFonctionnalités clés#

• Images de champs en extérieur réelles qui capturent la variabilité naturelle de l'apparence des têtes de blé, de l'éclairage et du stade de croissance.
• Construit par neuf instituts de recherche dans sept pays, couvrant des régions de culture européennes, nord-américaines, asiatiques et australiennes pour une forte généralisation inter-environnements.
• Annotations de boîtes englobantes (bounding-box) pour une seule classe, wheat_head, prêtes pour les pipelines de détection d'objets et de suivi.
• Les images de test proviennent de génotypes et de régions non vus pendant l'entraînement, offrant une véritable référence pour la généralisation.

Link to this sectionStructure du jeu de données#

Le Global Wheat Head Dataset est organisé en trois sous-ensembles définis par la configuration GlobalWheat2020.yaml, tous annotés avec une seule classe, wheat_head :

Link to this sectionApplications#

Le Global Wheat Head Dataset est largement utilisé pour entraîner et évaluer des modèles de deep learning pour la détection des têtes de blé. Son imagerie diversifiée à travers les régions, les génotypes et les conditions en fait une ressource précieuse pour le phénotypage des plantes et la gestion des cultures, favorisant l'estimation du rendement, la surveillance de la santé des cultures et l'analyse phénotypique.

Pour annoter l'imagerie de terrain, entraîner et gérer les versions des jeux de données dans ton navigateur, exécute le workflow complet avec la plateforme Ultralytics.

Link to this sectionYAML du jeu de données#

Un fichier YAML est utilisé pour définir la configuration du jeu de données. Il définit les chemins, les classes et les autres détails de configuration du jeu de données. Pour le jeu de données Global Wheat Head, le fichier GlobalWheat2020.yaml est maintenu sur 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 sectionUtilisation#

Pour entraîner un modèle YOLO26n sur le Global Wheat Head Dataset pendant 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Le jeu de données (~7,0 Go) se télécharge automatiquement lors de la première utilisation. Pour une liste complète des arguments disponibles, consulte la page Entraînement du modèle.

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 sectionExemples d'images et annotations#

Le Global Wheat Head Dataset contient un ensemble diversifié d'images de champs en extérieur, capturant la variabilité naturelle de l'apparence des têtes de blé, des environnements et des conditions. Voici un exemple d'image tiré du jeu de données, accompagné de ses annotations correspondantes :

• Détection de têtes de blé : Les têtes de blé sont annotées avec des boîtes englobantes pour la détection d'objets, dans diverses conditions de champ qui reflètent la diversité et la complexité du jeu de données.

Link to this sectionCitations et remerciements#

Si tu utilises le Global Wheat Head Dataset dans tes travaux de recherche ou de développement, merci de citer l'article suivant :

@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}
}

Nous tenons à remercier les chercheurs et les institutions qui ont contribué à la création et à la maintenance du Global Wheat Head Dataset en tant que ressource précieuse pour la communauté de recherche en phénotypage végétal et en gestion des cultures. Pour plus d'informations sur le jeu de données et ses créateurs, visite le site web du Global Wheat Head Dataset.

Link to this sectionFAQ#

Link to this sectionÀ quoi sert le Global Wheat Head Dataset ?#

Le Global Wheat Head Dataset est principalement utilisé pour développer et entraîner des modèles de deep learning visant la détection des têtes de blé. Ceci est crucial pour les applications de phénotypage du blé et la gestion des cultures, permettant des estimations plus précises de la densité, de la taille et du rendement global potentiel des têtes de blé. Les méthodes de détection précises aident à évaluer la santé et la maturité des cultures, essentielles pour une gestion efficace des cultures.

Link to this sectionCombien d'images et de classes contient le Global Wheat Head Dataset ?#

Le Global Wheat Head Dataset possède une seule classe, wheat_head, et est divisé en trois sous-ensembles : 3 422 images d'entraînement, 748 images de validation et 1 276 images de test. Les images d'entraînement et de validation proviennent d'Europe et d'Amérique du Nord, tandis que l'ensemble de test provient d'Australie, du Japon et de Chine pour évaluer la généralisation à des environnements non vus.

Link to this sectionComment entraîner un modèle YOLO26n sur le Global Wheat Head Dataset ?#

Pour entraîner un modèle YOLO26n sur le Global Wheat Head Dataset, tu peux utiliser les extraits de code suivants. Assure-toi d'avoir le fichier de configuration GlobalWheat2020.yaml spécifiant les chemins du jeu de données et les classes :

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)

Pour une liste complète des arguments disponibles, consulte la page Entraînement du modèle.

Link to this sectionComment télécharger le Global Wheat Head Dataset ?#

Le jeu de données (~7,0 Go) se télécharge automatiquement la première fois que tu l'entraînes avec data="GlobalWheat2020.yaml" — aucune étape manuelle n'est requise. Ultralytics récupère les images et les étiquettes et les décompresse dans ton répertoire de jeux de données local. Tu peux parcourir les jeux de données associés dans l'aperçu des jeux de données de détection.

Link to this sectionOù puis-je trouver le fichier YAML de configuration pour le Global Wheat Head Dataset ?#

Le fichier YAML de configuration pour le Global Wheat Head Dataset, nommé GlobalWheat2020.yaml, est disponible sur GitHub. Tu peux y accéder sur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. Ce fichier contient les chemins du jeu de données, les classes et d'autres détails de configuration nécessaires à l'entraînement du modèle dans Ultralytics YOLO.

Link to this sectionPourquoi la détection des épis de blé est-elle importante dans la gestion des cultures ?#

La détection des têtes de blé est essentielle dans la gestion des cultures car elle permet une estimation précise de la densité et de la taille des têtes de blé, lesquelles sont cruciales pour évaluer la santé, la maturité et le potentiel de rendement des cultures. En tirant parti des modèles de deep learning entraînés sur des jeux de données comme le Global Wheat Head Dataset, les agriculteurs et les chercheurs peuvent mieux surveiller et gérer leurs cultures, ce qui conduit à une productivité améliorée et à une utilisation optimisée des ressources dans les pratiques agricoles. Cette avancée technologique soutient l'agriculture durable et les initiatives de sécurité alimentaire.

Pour plus d'informations sur les applications de l'IA dans l'agriculture, consulte AI in Agriculture.