Global 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 nel fenotipizzazione del grano e nella gestione delle colture. Le spighe di grano, note anche come spighe, sono le parti portanti del grano della pianta di grano. Una stima accurata della densità e delle dimensioni delle spighe di grano è essenziale per valutare la salute delle colture, la maturità e il potenziale di resa. Il set di dati, creato da una collaborazione di nove istituti di ricerca di sette paesi, copre molteplici regioni di coltivazione per garantire che i modelli si generalizzino bene in diversi ambienti.

Caratteristiche principali

• Il set di dati 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 campi all'aperto che catturano la naturale variabilità nell'aspetto delle spighe di grano.
• Le annotazioni includono i riquadri di delimitazione delle spighe di grano per supportare le attività di object detection.

Struttura del dataset

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

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

Applicazioni

Il Global Wheat Head Dataset è ampiamente utilizzato per l'addestramento e la valutazione di modelli di deep learning in attività di rilevamento delle spighe di grano. Il set diversificato di immagini del set di dati, 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.

YAML del dataset

Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del set di dati. Contiene informazioni sui percorsi del set di dati, le classi e altre informazioni pertinenti. Per quanto riguarda il Global Wheat Head Dataset, il file GlobalWheat2020.yaml è gestito all'indirizzo 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

Utilizzo

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 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)

Dati ed annotazioni di esempio

Il Global Wheat Head Dataset contiene una serie diversificata di immagini scattate in campi all'aperto, catturando la naturale variabilità nell'aspetto, negli ambienti e nelle condizioni delle spighe di grano. Ecco alcuni esempi di dati tratti dal set di dati, insieme alle relative annotazioni:

• Wheat Head Detection: questa immagine mostra un esempio di rilevamento delle spighe di grano, dove le spighe sono annotate con riquadri di delimitazione. Il set di dati fornisce una varietà di immagini per facilitare lo sviluppo di modelli per questa attività.

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

Citazioni e ringraziamenti

Se utilizzi il Global Wheat Head Dataset nel tuo lavoro di ricerca o sviluppo, cita il seguente documento:

@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 alla manutenzione del Global Wheat Head Dataset come risorsa preziosa per la comunità di ricerca sulla fenotipizzazione delle piante e sulla gestione delle colture. Per ulteriori informazioni sul set di dati e sui suoi creatori, visita il sito web del Global Wheat Head Dataset.

FAQ

A cosa serve il Global Wheat Head Dataset?

Il Global Wheat Head Dataset viene utilizzato principalmente per sviluppare e addestrare modelli di deep learning finalizzati al rilevamento delle spighe di grano. Ciò è fondamentale per le applicazioni nella fenotipizzazione del grano e nella gestione delle colture, consentendo stime più accurate della densità delle spighe di grano, delle dimensioni e del potenziale di resa complessivo della coltura. Metodi di rilevamento accurati aiutano a valutare la salute e la maturità delle colture, essenziali per una gestione efficiente delle colture.

Come 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 set di dati 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 Training del modello.

Quali sono le caratteristiche principali del Global Wheat Head Dataset?

Le caratteristiche principali del Global Wheat Head Dataset includono:

• Oltre 3.000 immagini di addestramento provenienti dall'Europa (Francia, Regno Unito, Svizzera) e dal Nord America (Canada).
• Circa 1.000 immagini di test provenienti 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.

Dove posso trovare il file YAML di configurazione per il Global Wheat Head Dataset?

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

Perché 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 delle dimensioni delle spighe, essenziali per valutare la salute, la maturità e il potenziale di resa della coltura. Sfruttando i deep learning models addestrati su set di dati 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'agricoltura sostenibile (sustainable agriculture) e le iniziative di sicurezza alimentare.

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