Vai al contenuto

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 della pianta di grano che portano il grano. La 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 dataset, creato da una collaborazione di nove istituti di ricerca provenienti da sette paesi, copre più regioni di coltivazione per garantire che i modelli si generalizzino bene in diversi ambienti.

Caratteristiche principali

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

Struttura del set di dati

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

  1. Set di training: Questo sottoinsieme contiene oltre 3.000 immagini provenienti dall'Europa e dal Nord America. Le immagini sono etichettate con i bounding box delle spighe di grano, fornendo la ground truth per l'addestramento di modelli di object detection.
  2. Set di test: 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 ancora visti.

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. L'insieme diversificato 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 fenotipizzazione delle piante e della gestione delle colture.

YAML del set di dati

Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del set di dati. Contiene informazioni sui percorsi, le classi e altre informazioni rilevanti del set di dati. Nel caso del Global Wheat Head Dataset, il GlobalWheat2020.yaml file è mantenuto in https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml.

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 YOLO11n sul Global Wheat Head Dataset per 100 epoche con una dimensione dell'immagine di 640, è possibile utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fare riferimento alla pagina di Training del modello.

Esempio di addestramento

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=GlobalWheat2020.yaml model=yolo11n.pt epochs=100 imgsz=640

Dati di esempio e annotazioni

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

Immagine di esempio del set di dati

  • Wheat Head Detection: Questa immagine dimostra un esempio di rilevamento di spighe di grano, dove le spighe di grano sono annotate con bounding box. Il dataset 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 accurato rilevamento delle spighe di grano per le applicazioni nel fenotipo 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 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 alla manutenzione del Global Wheat Head Dataset come risorsa preziosa per la comunità di ricerca nel campo della fenotipizzazione delle piante e della gestione delle colture. Per ulteriori informazioni sul dataset e sui suoi creatori, visitare 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 mirati al rilevamento delle spighe di grano. Questo è fondamentale per le applicazioni nel fenotipizzazione del grano e nella gestione delle colture, consentendo stime più accurate della densità delle spighe di grano, delle dimensioni e del potenziale complessivo di resa del raccolto. Metodi di rilevamento accurati aiutano a valutare la salute e la maturità del raccolto, essenziali per una gestione efficiente delle colture.

Come posso addestrare un modello YOLO11n sul Global Wheat Head Dataset?

Per addestrare un modello YOLO11n sul Global Wheat Head Dataset, puoi utilizzare i seguenti frammenti di codice. Assicurati di avere il GlobalWheat2020.yaml file di configurazione che specifica i percorsi e le classi del dataset:

Esempio di addestramento

from ultralytics import YOLO

# Load a pre-trained model (recommended for training)
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=GlobalWheat2020.yaml model=yolo11n.pt epochs=100 imgsz=640

Per un elenco completo degli argomenti disponibili, consultare la 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 training provenienti da Europa (Francia, Regno Unito, Svizzera) e Nord America (Canada).
  • Circa 1.000 immagini di test provenienti da Australia, Giappone e Cina.
  • Elevata variabilità nell'aspetto delle spighe di grano a causa dei diversi ambienti di crescita.
  • Annotazioni dettagliate con bounding box delle spighe di grano per supportare i modelli di object detection.

Queste caratteristiche facilitano lo sviluppo di modelli robusti in grado di generalizzare attraverso 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 dataset, le classi e altri dettagli di configurazione necessari per il training 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, elementi essenziali per valutare la salute, la maturità e il potenziale di resa delle colture. Sfruttando i modelli di deep learning 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 e le iniziative per la sicurezza alimentare.

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



📅 Creato 1 anno fa ✏️ Aggiornato 4 mesi fa

Commenti