Global Wheat Head Dataset#
Global Wheat Head Dataset (GWHD) は、屋外の圃場画像において、小麦の植物の穀粒を実らせる穂である wheat heads を検出するための、単一クラスの object detection データセットです。複数の栽培地域で撮影された3,422枚のトレーニング画像、748枚の検証画像、1,276枚のテスト画像を提供しており、モデルがさまざまな環境に対して汎化性能を持つように、7カ国の9つの研究機関の協力によって作成されました。正確な小麦の穂の検出は、plant phenotyping および作物管理における穂の密度、サイズ、収穫量の潜在的な見積もりの基礎となります。
主な特徴#
- 麦穂の見た目、照明、生育段階の自然な変動を捉えた、実際の屋外圃場画像。
- 7か国の9つの研究機関によって構築され、ヨーロッパ、北米、アジア、オーストラリアの栽培地域をカバーし、環境をまたいだ強力な汎化性能を実現しています。
- object detection および tracking パイプラインに使用できる、単一クラス
wheat_headのバウンディングボックスアノテーション。 - テスト用画像は、学習時には使用されなかった遺伝子型や地域から取得されており、真の汎化性能を評価するベンチマークを提供します。
データセットの構造#
Global Wheat Head Dataset は、GlobalWheat2020.yaml 設定によって定義される3つのサブセットに整理されており、すべて単一クラス wheat_head でアノテーションされています：
| 分割 | 画像 | 地域 |
|---|---|---|
| トレーニング | 3,422 | ヨーロッパ（フランス、イギリス、スイス）、北米（カナダ） |
| バリデーション | 748 | スイス（ETH Zürich） |
| テスト | 1,276 | オーストラリア、日本、中国 |
検証セット（748枚の画像）は ethz_1 サブセットであり、トレーニングドメインの一部でもあるため、検証メトリクスにはドメイン内でのパフォーマンスが反映されます。オーストラリア、日本、中国からのホールドアウトテストセットは、トレーニング中に見られなかった環境に対する汎化性能を測定します。
アプリケーション#
Global Wheat Head Dataset は、小麦の穂を検出するための 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。地域、遺伝子型、条件にわたる多様な画像により、plant phenotyping および作物管理のための貴重なリソースとなっており、収穫量の予測、作物健康状態のモニタリング、および表現型解析をサポートします。
ブラウザ上で圃場画像にアノテーションを付与し、モデルのトレーニングやデータセットバージョンの管理を行うには、Ultralytics Platform を使用して完全なワークフローを実行してください。
データセット YAML#
YAML ファイルは、データセットの設定を定義するために使用されます。データセットのパス、クラス、およびその他の設定詳細を定義します。GlobalWheat Head Dataset の場合、GlobalWheat2020.yaml ファイルは https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml で維持されています。
# 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使用方法#
画像サイズ 640 で 100 epochs にわたり Global Wheat Head Dataset で YOLO26n モデルをトレーニングするには、次のコードスニペットを使用できます。データセット（~7.0 GB）は初回使用時に自動的にダウンロードされます。利用可能な引数の包括的なリストについては、モデルの 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)サンプル画像とアノテーション#
Global Wheat Head Datasetには、麦穂の外観、環境、条件における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サンプル画像と、それに対応するアノテーションの例です。
- Wheat Head Detection: データセットの多様性と複雑さを反映したさまざまな圃場条件において、object detection のために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。
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}
}植物表現型および作物管理研究コミュニティにとっての貴重なリソースとして、Global Wheat Head Dataset の作成と維持に貢献した研究者および研究機関に感謝いたします。データセットとその作成者の詳細については、Global Wheat Head Dataset website をご覧ください。
よくある質問 (FAQ)#
Global Wheat Head Dataset は、主に小麦の穂の検出を目的とした deep learning 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 および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、および全体的な作物収穫量の潜在的な見積もりをより正確に行うことを可能にします。正確な検出方法は、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。
Global Wheat Head Dataset には単一のクラス
wheat_headがあり、3,422枚のトレーニング画像、748枚の検証画像、1,276枚のテスト画像の3つのサブセットに分割されています。トレーニング画像と検証画像はヨーロッパと北アメリカから取得されており、テストセットは未知の環境に対する汎化性能を評価するためにオーストラリア、日本、中国から取得されています。Global Wheat Head Dataset で YOLO26n モデルをトレーニングするには、次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設定ファイルが用意されていることを確認してください：学習例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)利用可能な引数の包括的なリストについては、モデルの Training ページを参照してください。
data="GlobalWheat2020.yaml"を使用して初めてトレーニングを行う際、データセット（~7.0 GB）は自動的にダウンロードされます。手動による手順は必要ありません。Ultralytics は画像とラベルを取得し、ローカルのデータセットディレクトリに展開します。detection datasets overview で関連するデータセットを閲覧できます。GlobalWheat2020.yamlという名前の Global Wheat Head Dataset 用の設定 YAML ファイルは、GitHub で入手できます。https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml からアクセスできます。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詳細が含まれています。小麦の穂の検出は、作物の健康状態、成熟度、および収穫量の潜在的な評価に不可欠な穂の密度とサイズの正確な推定を可能にするため、作物管理において極めて重要です。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よく監視および管理できるようになり、農業実地における生産性の向上とリソース利用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 の応用の詳細については、AI in Agriculture をご覧ください。