Link to this sectionGlobal Wheat Head Dataset#

The Global Wheat Head Dataset は、小麦の表現型解析や作物管理のアプリケーションに向けた、高精度な小麦の穂（ヘッド）検出モデルの開発を支援するために設計された画像コレクションです。穂（スパイク）とも呼ばれる小麦の穂は、小麦の穀物部分を指します。小麦の穂の密度とサイズを正確に推定することは、作物の健康状態、成熟度、収穫の可能性を評価するために不可欠です。7か国の9つの研究機関が共同で作成したこのデータセットは、複数の栽培地域をカバーしており、異なる環境下でもモデルが十分に汎化できるように工夫されています。

Link to this section主な特徴#

• このデータセットには、ヨーロッパ（フランス、イギリス、スイス）および北米（カナダ）で撮影された3,000枚以上のトレーニング画像が含まれています。
• また、オーストラリア、日本、中国で撮影された約1,000枚のテスト画像が含まれています。
• 画像は屋外の圃場で撮影されたもので、小麦の穂の見た目の自然な変動を捉えています。
• アノテーションには、object detection タスクをサポートするための小麦の穂のバウンディングボックスが含まれています。

Link to this sectionデータセットの構造#

Global Wheat Head Dataset は、以下の2つの主要なサブセットで構成されています。

1. Training Set: このサブセットには、ヨーロッパと北米で撮影された3,000枚以上の画像が含まれています。各画像には小麦の穂のバウンディングボックスがラベル付けされており、オブジェクト検出モデルをトレーニングするための正解データ（グラウンドトゥルース）を提供します。
2. Test Set: このサブセットは、オーストラリア、日本、中国で撮影された約1,000枚の画像で構成されています。これらの画像は、未知の遺伝子型、環境、観察条件下でトレーニング済みモデルの性能を評価するために使用されます。

Link to this sectionアプリケーション#

Global Wheat Head Dataset は、小麦の穂の検出タスクにおける deep learning モデルのトレーニングと評価に広く使用されています。多様な見た目、環境、条件を捉えたこのデータセットの幅広い画像は、plant phenotyping および作物管理の分野の研究者や実務者にとって貴重なリソースです。

Link to this sectionデータセット YAML#

データセットの設定を定義するために、YAML（Yet Another Markup Language）ファイルが使用されます。これには、データセットのパス、クラス、およびその他の関連情報が含まれます。Global Wheat Head Dataset の場合、GlobalWheat2020.yaml ファイルが https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml にて管理されています。

# 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 section使用方法#

Global Wheat Head Dataset で YOLO26n モデルを100 epochs（画像サイズ640）でトレーニングするには、以下のコードスニペットを使用できます。利用可能な引数の詳細なリストについては、モデル Training ページを参照してください。

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 sectionサンプルデータとアノテーション#

Global Wheat Head Dataset には、小麦の穂の見た目、環境、条件の自然な変動を捉えた多様な屋外圃場画像が含まれています。以下は、データセット内のデータの例と、それに対応するアノテーションです。

• Wheat Head Detection: この画像は、小麦の穂がバウンディングボックスでアノテーションされた、小麦の穂の検出例を示しています。このデータセットは、このタスクに向けたモデル開発を促進するために、さまざまな画像を提供しています。

この例では、Global Wheat Head Dataset 内のデータの多様性と複雑さを示しており、小麦の表現型解析や作物管理のアプリケーションにおける正確な小麦の穂の検出の重要性を強調しています。

Link to this section引用と謝辞#

Global Wheat Head Dataset を研究や開発作業で使用する場合は、以下の論文を引用してください。

@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}
}

植物表現型解析および作物管理の研究コミュニティにとって貴重なリソースである Global Wheat Head Dataset の作成と維持に貢献した研究者および機関に感謝いたします。データセットとその作成者に関する詳細については、Global Wheat Head Dataset website をご覧ください。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionGlobal Wheat Head Dataset は何に使用されますか？#

Global Wheat Head Dataset は、主に小麦の穂の検出を目的としたディープラーニングモデルの開発とトレーニングに使用されます。これは wheat phenotyping や作物管理のアプリケーションにおいて極めて重要であり、小麦の穂の密度、サイズ、および作物全体の収穫可能性をより正確に推定することを可能にします。正確な検出手法は、効率的な作物管理に不可欠な作物の健康状態と成熟度の評価に役立ちます。

Link to this sectionGlobal Wheat Head Dataset で YOLO26n モデルをトレーニングするにはどうすればよいですか？#

Global Wheat Head Dataset で YOLO26n モデルをトレーニングするには、以下のコードスニペットを使用できます。データセットのパスとクラスを指定する GlobalWheat2020.yaml 設定ファイルが準備されていることを確認してください。

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)

利用可能な引数の詳細なリストについては、モデル Training ページを参照してください。

Link to this sectionGlobal Wheat Head Dataset の主な特徴は何ですか？#

Global Wheat Head Dataset の主な特徴は以下の通りです。

• ヨーロッパ（フランス、イギリス、スイス）および北米（カナダ）で撮影された3,000枚以上のトレーニング画像。
• オーストラリア、日本、中国で撮影された約1,000枚のテスト画像。
• 異なる栽培環境に起因する、小麦の穂の見た目の高い変動性。
• Detailed annotations with wheat head bounding boxes to aid object detection models.

これらの特徴により、複数の地域で汎用できる堅牢なモデルの開発が促進されます。

Link to this sectionGlobal Wheat Head Dataset の設定YAMLファイルはどこにありますか？#

Global Wheat Head Dataset の設定YAMLファイル GlobalWheat2020.yaml は、GitHubで入手可能です。アクセス先は https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml です。このファイルには、Ultralytics YOLO でのモデルトレーニングに必要なデータセットのパス、クラス、およびその他の設定の詳細情報が含まれています。

Link to this section作物管理においてなぜ小麦の穂の検出が重要なのでしょうか？#

小麦の穂の検出は、小麦の穂の密度とサイズを正確に推定できるため、作物管理において極めて重要です。これらは作物の健康状態、成熟度、収穫可能性を評価するために不可欠です。Global Wheat Head Dataset のようなデータセットでトレーニングされた deep learning models を活用することで、農家や研究者は作物をより適切に監視・管理できるようになり、農業実践における生産性の向上とリソースの最適化につながります。この技術的進歩は、sustainable agriculture および食料安全保障の取り組みをサポートします。

農業におけるAIの応用に関する詳細については、AI in Agriculture をご覧ください。