Dataset globale di teste di grano
Il Global Wheat Head Dataset è una raccolta di immagini progettata per supportare lo sviluppo di modelli accurati di rilevamento delle teste di grano per applicazioni nella fenotipizzazione del grano e nella gestione delle colture. Le teste di grano, note anche come spighe, sono le parti della pianta di grano che portano i chicchi. Una stima accurata della densità e delle dimensioni delle teste di grano è essenziale per valutare lo stato di salute, la maturità e il potenziale di resa delle colture. Il set di dati, creato da una collaborazione di nove istituti di ricerca di sette Paesi, copre diverse regioni di coltivazione per garantire che i modelli si generalizzino bene in ambienti diversi.
Caratteristiche principali
- Il set di dati contiene oltre 3.000 immagini di allenamento provenienti dall'Europa (Francia, Regno Unito, Svizzera) e dal Nord America (Canada).
- Include circa 1.000 immagini di prova provenienti da Australia, Giappone e Cina.
- Le immagini sono immagini di campo all'aperto, che catturano la naturale variabilità dell'aspetto delle teste di grano.
- Le annotazioni includono le caselle di delimitazione della testa del grano per supportare le attività di rilevamento degli oggetti.
Struttura del set di dati
Il dataset Global Wheat Head è organizzato in due sottoinsiemi principali:
- Set di allenamento: Questo sottoinsieme contiene oltre 3.000 immagini provenienti dall'Europa e dal Nord America. Le immagini sono etichettate con i riquadri di delimitazione delle teste di grano, fornendo la verità di base per l'addestramento dei modelli di rilevamento degli oggetti.
- Set di prova: Questo sottoinsieme è costituito da circa 1.000 immagini provenienti da Australia, Giappone e Cina. Queste immagini sono utilizzate per valutare le prestazioni dei modelli addestrati su genotipi, ambienti e condizioni di osservazione non visti.
Applicazioni
Il Global Wheat Head Dataset è ampiamente utilizzato per l'addestramento e la valutazione di modelli di deep learning in compiti di rilevamento di teste di grano. La varietà di immagini del dataset, che cattura un'ampia gamma di apparenze, ambienti e condizioni, lo rende una risorsa preziosa per i ricercatori e gli operatori nel campo della fenotipizzazione delle piante e della gestione delle colture.
Set di dati YAML
Un file YAML (Yet Another Markup Language) è usato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e altre informazioni rilevanti. Nel caso del set di dati Global Wheat Head, il file GlobalWheat2020.yaml Il file viene mantenuto all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml.
ultralytics/cfg/datasets/GlobalWheat2020.yaml
# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 ultralytics.utils.downloads import download
from pathlib import Path
# 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 dataset Global Wheat Head Dataset per 100 epoch con una dimensione dell'immagine di 640, è possibile utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consultare la pagina di addestramento del modello.
Esempio di treno
Dati e annotazioni di esempio
Il Global Wheat Head Dataset contiene un insieme eterogeneo di immagini di campo all'aperto, che catturano la naturale variabilità dell'aspetto, degli ambienti e delle condizioni dei cespi di grano. Ecco alcuni esempi di dati del dataset, con le relative annotazioni:
- Rilevamento delle teste di grano: Questa immagine mostra un esempio di rilevamento di cespi di grano, in cui i cespi di grano sono annotati con caselle di delimitazione. Il set di dati fornisce una varietà di immagini per facilitare lo sviluppo di modelli per questo compito.
L'esempio illustra la varietà e la complessità dei dati del Global Wheat Head Dataset e sottolinea l'importanza di un'accurata rilevazione delle teste di grano per le applicazioni di fenotipizzazione del grano e di gestione delle colture.
Citazioni e ringraziamenti
Se utilizzate il Global Wheat Head Dataset nel vostro lavoro di ricerca o sviluppo, siete pregati di citare 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 al mantenimento 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 dataset e sui suoi creatori, visitare il sito web del Global Wheat Head Dataset.
FAQ
Per cosa viene utilizzato il Global Wheat Head Dataset?
Il Global Wheat Head Dataset è utilizzato principalmente per sviluppare e addestrare modelli di deep learning finalizzati al rilevamento delle teste di grano. Si tratta di un aspetto cruciale per le applicazioni di fenotipizzazione del grano e di gestione delle colture, che consente di stimare in modo più accurato la densità e le dimensioni delle teste di grano e il potenziale di rendimento complessivo delle colture. Metodi di rilevamento accurati aiutano a valutare la salute e la maturità del raccolto, essenziali per una gestione efficiente delle colture.
Come si addestra un modello YOLO11n sul dataset Global Wheat Head?
Per addestrare un modello YOLO11n sul dataset Global Wheat Head, è possibile utilizzare i seguenti frammenti di codice. Assicurarsi di avere il modello GlobalWheat2020.yaml che specifica i percorsi dei set di dati e le classi:
Esempio di treno
Per un elenco completo degli argomenti disponibili, consultare la pagina Formazione 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 formazione dall'Europa (Francia, Regno Unito, Svizzera) e dal Nord America (Canada).
- Circa 1.000 immagini di prova provenienti da Australia, Giappone e Cina.
- L'elevata variabilità dell'aspetto delle teste di grano è dovuta ai diversi ambienti di coltivazione.
- Annotazioni dettagliate con caselle di delimitazione della testa del grano per aiutare i modelli di rilevamento degli oggetti.
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 dataset Global Wheat Head?
Il file YAML di configurazione per il dataset Global Wheat Head, denominato GlobalWheat2020.yamlè disponibile su GitHub. È possibile accedervi a questo indirizzo link. Questo file contiene le informazioni necessarie sui percorsi dei dataset, sulle classi e su altri dettagli di configurazione necessari per l'addestramento dei modelli in Ultralytics YOLO .
Perché il rilevamento delle teste di grano è importante nella gestione delle colture?
Il rilevamento delle teste di grano è fondamentale nella gestione delle colture perché consente di stimare con precisione la densità e le dimensioni delle teste di grano, essenziali per valutare la salute, la maturità e il potenziale di rendimento 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, migliorando la produttività e ottimizzando l'uso delle risorse nelle pratiche agricole. Questo progresso tecnologico supporta l'agricoltura sostenibile e le iniziative di sicurezza alimentare.
Per ulteriori informazioni sulle applicazioni dell'intelligenza artificiale in agricoltura, visitare il sito AI in agricoltura.
