Link to this sectionGlobal Wheat Head Dataset#

Il Global Wheat Head Dataset (GWHD) è un dataset per il rilevamento di oggetti a classe singola progettato per individuare le spighe di grano — le infiorescenze del frumento — in immagini scattate in campo aperto. Include 3.422 immagini di training, 748 di validazione e 1.276 di test acquisite in diverse regioni di coltivazione; è stato creato dalla collaborazione di nove istituti di ricerca di sette paesi affinché i modelli possano generalizzare in ambienti differenti. Un rilevamento accurato delle spighe di grano è fondamentale per stimare la densità delle spighe, la dimensione e il potenziale di resa nel fenotipizzazione delle piante e nella gestione delle colture.

Link to this sectionCaratteristiche principali#

• Immagini reali di campi all'aperto che catturano la variabilità naturale nell'aspetto delle spighe di grano, nell'illuminazione e nello stadio di crescita.
• Realizzato da nove istituti di ricerca di sette paesi, che copre regioni di coltivazione europee, nordamericane, asiatiche e australiane per una solida generalizzazione tra diversi ambienti.
• Annotazioni di bounding-box per una classe singola, wheat_head, pronte per pipeline di rilevamento di oggetti e tracking.
• Le immagini di test provengono da genotipi e regioni non visti durante il training, fornendo un autentico benchmark di generalizzazione.

Link to this sectionStruttura del dataset#

Il Global Wheat Head Dataset è organizzato in tre subset definiti dalla configurazione GlobalWheat2020.yaml, tutti annotati con una classe singola, wheat_head:

Link to this sectionApplicazioni#

Il Global Wheat Head Dataset è ampiamente utilizzato per addestrare e valutare modelli di deep learning per il rilevamento delle spighe di grano. La sua eterogeneità di immagini tra regioni, genotipi e condizioni lo rende una risorsa preziosa per la fenotipizzazione delle piante e la gestione delle colture, supportando la stima della resa, il monitoraggio della salute delle colture e l'analisi fenotipica.

Per annotare immagini di campo, addestrare e gestire le versioni dei dataset nel tuo browser, esegui il flusso di lavoro completo con Ultralytics Platform.

Link to this sectionDataset YAML#

Un file YAML viene utilizzato per definire la configurazione del dataset. Definisce i percorsi, le classi e altri dettagli di configurazione del dataset. Per il dataset Global Wheat Head, 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 epoche con una dimensione immagine di 640, puoi usare i seguenti frammenti di codice. Il dataset (~7.0 GB) viene scaricato automaticamente al primo utilizzo. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina di 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 sectionEsempi di immagini e annotazioni#

Il Global Wheat Head Dataset contiene una serie diversificata di immagini di campi all'aperto, che catturano la variabilità naturale nell'aspetto, negli ambienti e nelle condizioni delle spighe di grano. Ecco un'immagine di esempio dal dataset, insieme alle relative annotazioni:

• Rilevamento spighe di grano: Le spighe di grano sono annotate con bounding box per il rilevamento di oggetti, in una varietà di condizioni di campo che riflettono la diversità e la complessità del dataset.

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 sviluppare e addestrare modelli di deep learning mirati al rilevamento delle spighe di grano. Questo è cruciale per applicazioni nella fenotipizzazione del grano e nella gestione delle colture, consentendo stime più precise della densità delle spighe, della dimensione e del potenziale di resa complessivo della coltura. Metodi di rilevamento accurati aiutano nella valutazione della salute e della maturità del raccolto, essenziali per un'efficiente gestione agricola.

Link to this sectionQuante immagini e classi ci sono nel Global Wheat Head Dataset?#

Il Global Wheat Head Dataset ha una singola classe, wheat_head, ed è diviso in tre subset: 3.422 immagini di training, 748 immagini di validazione e 1.276 immagini di test. Le immagini di training e validazione provengono dall'Europa e dal Nord America, mentre il test set è tratto da Australia, Giappone e Cina per valutare la generalizzazione verso ambienti non visti.

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 sectionCome scarico il Global Wheat Head Dataset?#

Il dataset (~7.0 GB) viene scaricato automaticamente la prima volta che esegui il training con data="GlobalWheat2020.yaml" — non è richiesto alcun passaggio manuale. Ultralytics recupera le immagini e le etichette e le decomprime nella tua directory dei dataset locale. Puoi sfogliare i dataset correlati nella panoramica dei dataset di rilevamento.

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

Il file di configurazione YAML 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 i 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 delle dimensioni delle spighe, elementi essenziali per valutare la salute, la maturità e il potenziale di resa del raccolto. Sfruttando 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 iniziative di sustainable agriculture e sicurezza alimentare.

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