Global Wheat Head Dataset#

Le Global Wheat Head Dataset (GWHD) est un jeu de données d'object detection à classe unique pour détecter les épis de blé — les épis chargés de 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 la collaboration de neuf instituts de recherche de sept pays afin que les modèles se généralisent à différents environnements. La détection précise des épis de blé sous-tend les estimations de la densité, de la taille et du potentiel de rendement des épis dans le domaine du plant phenotyping et de la gestion des cultures.

Fonctionnalités 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 pour une seule classe, wheat_head, prêtes pour les pipelines d'object detection et de tracking.
• Les images de test proviennent de génotypes et de régions non vus pendant l'entraînement, offrant une véritable référence pour la généralisation.

Structure 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 :

Applications#

Le Global Wheat Head Dataset est largement utilisé pour entraîner et évaluer des modèles de deep learning pour la détection des épis de blé. Sa diversité d'images à travers les régions, les génotypes et les conditions en fait une ressource précieuse pour le plant phenotyping et la gestion des cultures — soutenant l'estimation du rendement, la surveillance de la santé des cultures et l'analyse phénotypique.

Pour annoter des images de terrain, entraîner et gérer des versions de jeux de données dans ton navigateur, exécute le flux de travail complet avec Ultralytics Platform.

YAML du jeu de données#

Un fichier YAML est utilisé pour définir la configuration du jeu de données. Il définit les chemins, les classes et d'autres détails de configuration du jeu de données. Pour le Global Wheat Head Dataset, 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

Utilisation#

Pour entraîner un modèle YOLO26n sur le Global Wheat Head Dataset pendant 100 epochs 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 de Training 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)

Exemples 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 :

• Wheat Head Detection : Les épis de blé sont annotés avec des boîtes englobantes pour l'object detection, dans une variété de conditions de terrain qui reflètent la diversité et la complexité du jeu de données.

Citations 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 Global Wheat Head Dataset website.

FAQ#