Link to this sectionGlobal Wheat Head Dataset#

Il Global Wheat Head Dataset è una raccolta di immagini progettata per supportare lo sviluppo di modelli accurati di rilevamento delle spighe di grano per applicazioni nella fenotipizzazione del grano e nella gestione delle colture. Le spighe di grano, note anche come infiorescenze, sono le parti della pianta di grano che contengono i chicchi. Una stima accurata della densità e della dimensione delle spighe di grano è essenziale per valutare la salute, la maturità e il potenziale di resa delle colture. Il dataset, creato dalla collaborazione di nove istituti di ricerca di sette paesi, copre diverse regioni di coltivazione per garantire che i modelli si generalizzino bene in ambienti differenti.

Link to this sectionCaratteristiche principali#

• Il dataset contiene oltre 3.000 immagini di addestramento provenienti dall'Europa (Francia, Regno Unito, Svizzera) e dal Nord America (Canada).
• Include circa 1.000 immagini di test provenienti da Australia, Giappone e Cina.
• Le immagini sono foto scattate in campo aperto che catturano la naturale variabilità nell'aspetto delle spighe di grano.
• Le annotazioni includono i bounding box delle spighe di grano per supportare le attività di object detection.

Link to this sectionStruttura del dataset#

Il Global Wheat Head Dataset è organizzato in due sottoinsiemi principali:

1. Training Set: Questo sottoinsieme contiene oltre 3.000 immagini dall'Europa e dal Nord America. Le immagini sono etichettate con i bounding box delle spighe di grano, fornendo una ground truth per l'addestramento di modelli di object detection.
2. Test Set: Questo sottoinsieme consiste in circa 1.000 immagini da Australia, Giappone e Cina. Queste immagini sono utilizzate per valutare le prestazioni dei modelli addestrati su genotipi, ambienti e condizioni osservative non visti in precedenza.

Link to this sectionApplicazioni#

Il Global Wheat Head Dataset è ampiamente utilizzato per l'addestramento e la valutazione di modelli di deep learning in compiti di rilevamento delle spighe di grano. Il variegato set di immagini del dataset, che cattura un'ampia gamma di aspetti, ambienti e condizioni, lo rende una risorsa preziosa per ricercatori e professionisti nel campo della plant phenotyping e della gestione delle colture.

Link to this sectionDataset YAML#

Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, le classi e altre informazioni rilevanti. Per il caso del Global Wheat Head Dataset, il file GlobalWheat2020.yaml è mantenuto su 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 sectionUtilizzo#

Per addestrare un modello YOLO26n sul Global Wheat Head Dataset per 100 epochs con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina del Training del modello.

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 sectionDati di esempio e annotazioni#

Il Global Wheat Head Dataset contiene un set diversificato di immagini di campo aperto, che catturano la naturale variabilità nell'aspetto, negli ambienti e nelle condizioni delle spighe di grano. Ecco alcuni esempi di dati dal dataset, insieme alle relative annotazioni:

• Wheat Head Detection: Questa immagine dimostra un esempio di rilevamento delle spighe di grano, dove le spighe sono annotate con bounding box. Il dataset fornisce una varietà di immagini per facilitare lo sviluppo di modelli per questo compito.

L'esempio mostra la varietà e la complessità dei dati nel Global Wheat Head Dataset ed evidenzia l'importanza di un accurato rilevamento delle spighe di grano per le applicazioni nella fenotipizzazione del grano e nella gestione delle colture.

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi il Global Wheat Head Dataset nel tuo lavoro di ricerca o sviluppo, ti preghiamo di citare il seguente articolo:

@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}
}

Desideriamo ringraziare i ricercatori e le istituzioni che hanno contribuito alla creazione e al mantenimento del Global Wheat Head Dataset come risorsa preziosa per la comunità di ricerca sulla fenotipizzazione delle piante e la gestione delle colture. Per maggiori informazioni sul dataset e i suoi creatori, visita il sito web del Global Wheat Head Dataset.

Link to this sectionFAQ#

Link to this sectionA cosa serve il Global Wheat Head Dataset?#

Il Global Wheat Head Dataset è utilizzato principalmente per lo sviluppo e l'addestramento di modelli di deep learning mirati al rilevamento delle spighe di grano. Questo è fondamentale per le applicazioni nella fenotipizzazione del grano e nella gestione delle colture, consentendo stime più accurate della densità delle spighe, della dimensione e del potenziale di resa complessivo. Metodi di rilevamento accurati aiutano nella valutazione della salute e della maturità delle colture, elementi essenziali per una gestione efficiente delle stesse.

Link to this sectionCome posso addestrare un modello YOLO26n sul Global Wheat Head Dataset?#

Per addestrare un modello YOLO26n sul Global Wheat Head Dataset, puoi utilizzare i seguenti frammenti di codice. Assicurati di avere il file di configurazione GlobalWheat2020.yaml che specifica i percorsi del dataset e le classi:

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)

Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina del Training del modello.

Link to this sectionQuali sono le caratteristiche chiave del Global Wheat Head Dataset?#

Le caratteristiche chiave del Global Wheat Head Dataset includono:

• Oltre 3.000 immagini di addestramento dall'Europa (Francia, Regno Unito, Svizzera) e dal Nord America (Canada).
• Circa 1.000 immagini di test da Australia, Giappone e Cina.
• Alta variabilità nell'aspetto delle spighe di grano dovuta ai diversi ambienti di crescita.
• Detailed annotations with wheat head bounding boxes to aid object detection models.

Queste caratteristiche facilitano lo sviluppo di modelli robusti in grado di generalizzare su più regioni.

Link to this sectionDove posso trovare il file YAML di configurazione per il Global Wheat Head Dataset?#

Il file YAML di configurazione per il Global Wheat Head Dataset, chiamato GlobalWheat2020.yaml, è disponibile su GitHub. Puoi accedervi su https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. Questo file contiene le informazioni necessarie sui percorsi del dataset, le classi e altri dettagli di configurazione necessari per l'addestramento del modello in Ultralytics YOLO.

Link to this sectionPerché il rilevamento delle spighe di grano è importante nella gestione delle colture?#

Il rilevamento delle spighe di grano è fondamentale nella gestione delle colture perché consente una stima accurata della densità e della dimensione delle spighe, elementi essenziali per valutare la salute, la maturità e il potenziale di resa delle colture. Sfruttando i deep learning models addestrati su dataset come il Global Wheat Head Dataset, agricoltori e ricercatori possono monitorare e gestire meglio le colture, portando a una maggiore produttività e a un uso ottimizzato delle risorse nelle pratiche agricole. Questo progresso tecnologico supporta l'iniziativa di sustainable agriculture e di sicurezza alimentare.

Per ulteriori informazioni sulle applicazioni dell'IA in agricoltura, visita AI in Agriculture.