Global Wheat Head Dataset#
Global Wheat Head Dataset（GWHD）は、屋外の圃場画像に写るコムギの穂（コムギ植物の穀粒を含む穂）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。複数の栽培地域で撮影された、学習用3,422枚、検証用748枚、テスト用1,276枚の画像が収録されています。また、異なる環境に対してモデルを汎化させるため、7か国の9つの研究機関の共同研究によって作成されました。正確なコムギの穂の検出は、植物フェノタイピングや作物管理における穂密度、サイズ、収量ポテンシャルの推定を支えます。
主な特徴#
- コムギの穂の外観、照明、成長段階における自然な変動を捉えた、実際の屋外圃場画像です。
- 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網羅しているため、環境をまたいだ高い汎化性能を実現できます。
- 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が付与されており、物体検出およびトラッキングパイプラインですぐに利用できます。 - テスト画像には、学習時に見ていない遺伝子型や地域のものが含まれており、実際の汎化性能ベンチマークを提供します。
データセットの構成#
Global Wheat Head Datasetは、GlobalWheat2020.yaml設定で定義された3つのサブセットに分かれており、すべて単一クラス wheat_head のアノテーションが付与されています。
| 分割 | 画像 | 地域 |
|---|---|---|
| トレーニング | 3,422 | ヨーロッパ（フランス、英国、スイス）、北米（カナダ） |
| 検証 | 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）は ethz_1 サブセットであり、学習ドメインの一部でもあるため、検証メトリクスは同一ドメイン内の性能を反映します。オーストラリア、日本、中国のホールドアウトテストセットは、学習時に見ていない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、コムギの穂の検出用ディープラーニングモデルの学習と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を含むため、植物フェノタイピングや作物管理に役立つ貴重なリソースであり、収量推定、作物の健全性モニタリング、表現型解析を支援します。
圃場画像へのアノテーション付与、学習、データセットバージョンの管理をブラウザで行うには、Ultralytics Platformでワークフロー全体を実行してください。
データセット YAML#
データセット設定の定義にはYAMLファイルを使用します。データセットのパス、クラス、その他の設定の詳細を定義します。Global Wheat Head Datasetでは、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 🚀 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#
Global Wheat Head DatasetでYOLO26nモデルを100 エポック、画像サイズ640で学習するには、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でダウンロードされます。利用可能な引数の一覧については、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、コムギの穂の外観、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。以下に、データセットのサンプル画像と対応するアノテーションを示します。
- コムギの穂の検出: 多様で複雑なデータセットの特性を反映するさまざまな圃場条件において、コムギの穂にバウンディングボックスが付与されており、物体検出に利用できます。
引用と謝辞#
研究または開発でGlobal Wheat Head Datasetを使用する場合は、次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}
}Global Wheat Head Datasetを植物フェノタイピング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として作成・維持するために貢献した研究者と機関に謝意を表します。データセットとその作成者の詳細については、Global Wheat Head Datasetのウェブサイトをご覧ください。
FAQ#
Global Wheat Head Datasetは主に、コムギ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学習に使用されます。これはコムギのフェノタイピングや作物管理において重要であり、コムギの穂密度、サイズ、作物全体の収量ポテンシャルをより正確に推定できます。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も役立ちます。
Global Wheat Head Datasetには単一クラス
wheat_headが含まれ、3つのサブセットに分割されています。学習用画像は3,422枚、検証用画像は748枚、テスト用画像は1,276枚です。学習画像と検証画像はヨーロッパおよび北米のもので、テストセットはオーストラリア、日本、中国から構成され、未知の環境に対する汎化性能を評価します。Global Wheat Head DatasetでYOLO26nモデルを学習するには、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設定ファイルがあることを確認してください。トレーニング例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)利用可能な引数の一覧については、モデルのTrainingページを参照してください。
data="GlobalWheat2020.yaml"を使用して初めて学習すると、データセット（~7.0 GB）が自動的にダウンロードされるため、手動での操作は必要ありません。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、検出データセットの概要で参照できます。Global Wheat Head Datasetの設定YAMLファイル（
GlobalWheat2020.yaml）はGitHubで公開されています。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でモデルを学習するために必要なデータセットのパス、クラス、その他の設定の詳細が含まれています。コムギの穂の検出は、作物の健全性、成熟度、収量ポテンシャルの評価に不可欠なコムギの穂密度とサイズを正確に推定できるため、作物管理において重要です。Global Wheat Head Datasetのようなデータセットで学習したディープラーニングモデルを活用することで、農家や研究者は作物をより適切に監視・管理でき、農業における生産性の向上と資源利用の最適化につながります。この技術の進歩は、持続可能な農業と食料安全保障の取り組みを支えます。
農業におけるAIの応用について詳しくは、AI in Agricultureをご覧ください。