No license

Link to this sectionGlobal Wheat Head Dataset#

Global Wheat Head Dataset (GWHD) は、屋外の圃場画像において麦穂（wheat heads） — 小麦植物の穀粒を実らせる穂の部分 — を検出するための単一クラスの物体検出データセットです。このデータセットは、複数の栽培地域で撮影された3,422枚の学習用画像、748枚の検証用画像、1,276枚のテスト用画像を提供しており、モデルがさまざまな環境で汎用性を発揮できるよう、7か国の9つの研究機関の協力によって作成されました。正確な麦穂の検出は、植物フェノタイピングや作物管理における穂の密度、サイズ、収穫ポテンシャルの推定の基礎となります。

Link to this section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。
wheat_head という単一クラスに対するバウンディングボックスのアノテーション。物体検出およびトラッキングパイプラインに対応しています。
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。

Link to this sectionデータセットの構造#

Global Wheat Head Datasetは、GlobalWheat2020.yaml 設定ファイルによって定義される3つのサブセットに編成されており、すべて wheat_head という単一クラスが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

検証用データセット

検証用セット（748枚の画像）は ethz_1 サブセットであり、学習用ドメインの一部でもあるため、検証メトリクスはドメイン内のパフォーマンスを反映します。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、学習時には見られなかった環境に対する汎化性能を測定します。

Link to this sectionアプリケーション#

Global Wheat Head Datasetは、麦穂検出のためのディープラーニングモデルの学習および評価に広く使用されています。地域、遺伝子型、条件をまたぐ多様な画像は、植物フェノタイピングや作物管理における貴重なリソースとなっており、収穫量の推定、作物の健全性モニタリング、表現型解析をサポートします。

ブラウザ上で圃場画像のアノテーション、学習、およびデータセットのバージョン管理を行うには、Ultralytics Platform を使用したフルワークフローを実行してください。

Link to this sectionデータセット YAML#

YAMLファイルを使用してデータセット構成を定義します。これには、データセットのパス、クラス、その他の構成詳細が含まれます。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で管理されています。

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 section使用方法#

Global Wheat Head DatasetでYOLO26nモデルを画像サイズ640で100 エポック分学習させるには、以下のコードスニペットを使用できます。データセット（約7.0 GB）は初回使用時に自動的にダウンロードされます。利用可能な引数の詳細なリストについては、モデルのトレーニングページを参照してください。

学習例

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。

Global Wheat dataset sample showing wheat head detection

麦穂検出: 麦穂には、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下において、物体検出用のバウンディングボックスがアノテーションされています。

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。

引用

@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、主に麦穂検出を目的としたディープラーニングモデルの開発と学習に使用されます。これは小麦のフェノタイピングおよび作物管理におけるアプリケーションにとって重要であり、麦穂の密度、サイズ、全体的な収穫ポテンシャルのより正確な推定を可能にします。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全性と成熟度の評価に役立ちます。

Link to this sectionGlobal Wheat Head Datasetには何枚の画像といくつのクラスが含まれていますか？#

Global Wheat Head Datasetには wheat_head という単一クラスがあり、3つのサブセット（3,422枚の学習用画像、748枚の検証用画像、1,276枚のテスト用画像）に分かれています。学習用画像と検証用画像はヨーロッパと北米のものですが、テスト用セットは学習時に見られなかった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、中国の画像から構成されています。

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。

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をダウンロードするにはどうすればよいですか？#

データセット（約7.0 GB）は、data="GlobalWheat2020.yaml" を指定して初めて学習を実行する際に自動的にダウンロードされるため、手動のステップは不要です。Ultralyticsが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。関連するデータセットは物体検出データセットの概要で閲覧できます。

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用の設定YAMLファイルである GlobalWheat2020.yaml はGitHubで公開されています。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 でのモデル学習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。

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、そ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あり、作物の健康状態、成熟度、収穫の可能性を評価する上で不可欠です。Global Wheat Head Datasetのようなデータセットで学習させた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。この技術革新は、sustainable agricultureおよび食料安全保障への取り組みを支援します。

農業におけるAIの活用に関する詳細は、AI in Agricultureをご覧ください。

貢献者

GLglenn-jocher¹⁷ RAraimbekovm³ MImiles-deans-ultralytics¹ PDpderrenger¹ MAMatthewNoyce¹ RIRizwanMunawar¹

作成日 2023年11月12日更新日一昨日