Meet YOLO26: next-gen vision AI.

Link to this sectionGlobal Wheat Head Dataset#

Global Wheat Head Dataset은 밀 표현형 분석 및 작물 관리에 활용하기 위한 정확한 밀 이삭 검출 모델 개발을 지원하도록 설계된 이미지 모음입니다. 스파이크라고도 불리는 밀 이삭은 밀 식물의 곡물이 맺히는 부분입니다. 밀 이삭의 밀도와 크기를 정확하게 추정하는 것은 작물의 건강 상태, 성숙도 및 수확 잠재력을 평가하는 데 필수적입니다. 7개국 9개 연구 기관의 협력을 통해 구축된 이 데이터셋은 다양한 환경에서 모델이 잘 일반화될 수 있도록 여러 재배 지역을 포함하고 있습니다.

Link to this section주요 특징#

  • 이 데이터셋에는 유럽(프랑스, 영국, 스위스)과 북미(캐나다)에서 수집된 3,000개 이상의 학습용 이미지가 포함되어 있습니다.
  • 또한 호주, 일본, 중국에서 수집된 약 1,000개의 테스트 이미지가 포함되어 있습니다.
  • 이미지는 야외 들판에서 촬영된 것으로, 밀 이삭 외관의 자연스러운 변동성을 담고 있습니다.
  • 어노테이션에는 객체 검출 작업을 지원하기 위한 밀 이삭 BBox가 포함되어 있습니다.

Link to this section데이터셋 구조#

Global Wheat Head Dataset은 크게 두 가지 서브셋으로 구성됩니다:

  1. 학습 세트(Training Set): 이 서브셋은 유럽과 북미에서 촬영된 3,000개 이상의 이미지를 포함합니다. 이미지에는 밀 이삭 BBox가 라벨링되어 있으며, 이는 객체 검출 모델 학습을 위한 그라운드 트루스를 제공합니다.
  2. 테스트 세트(Test Set): 이 서브셋은 호주, 일본, 중국에서 촬영된 약 1,000개의 이미지로 구성됩니다. 이 이미지들은 학습된 모델이 보지 못한 유전자형, 환경 및 관측 조건에서 어떻게 작동하는지 성능을 평가하는 데 사용됩니다.

Link to this section응용 분야#

Global Wheat Head Dataset은 밀 이삭 검출 작업에서 딥러닝 모델을 학습하고 평가하는 데 널리 사용됩니다. 다양한 외관, 환경 및 조건을 포착한 이 데이터셋의 방대한 이미지 세트는 식물 표현형 분석 및 작물 관리 분야의 연구자와 실무자들에게 귀중한 자원이 됩니다.

Link to this section데이터셋 YAML#

데이터셋 구성을 정의하는 데는 YAML 파일이 사용됩니다. 이 파일에는 데이터셋 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. Global Wheat Head Dataset의 경우 GlobalWheat2020.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml에서 유지 관리되고 있습니다.

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 section사용법#

Global Wheat Head Dataset에서 YOLO26n 모델을 이미지 크기 640으로 100 에폭(epochs) 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수에 대한 자세한 목록은 모델 학습(Training) 페이지를 참조하십시오.

훈련 예제
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 section샘플 데이터 및 주석#

Global Wheat Head Dataset은 밀 이삭의 외관, 환경 및 조건의 자연스러운 변동성을 포착한 다양한 야외 들판 이미지를 포함하고 있습니다. 다음은 데이터셋의 이미지 예시와 해당 어노테이션입니다:

밀 이삭 검출을 보여주는 Global Wheat 데이터셋 샘플

  • 밀 이삭 검출: 이 이미지는 밀 이삭이 BBox로 표시된 밀 이삭 검출의 예시를 보여줍니다. 데이터셋은 이 작업을 위한 모델 개발을 촉진하기 위해 다양한 이미지를 제공합니다.

이 예시는 Global Wheat Head Dataset 데이터의 다양성과 복잡성을 보여주며, 밀 표현형 분석 및 작물 관리 애플리케이션을 위한 정확한 밀 이삭 검출의 중요성을 강조합니다.

Link to this section인용 및 감사의 글#

연구 또는 개발 작업에 Global Wheat Head Dataset을 사용하는 경우 다음 논문을 인용해 주십시오:

인용
@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}
}

식물 표현형 분석 및 작물 관리 연구 커뮤니티를 위한 귀중한 자원으로서 Global Wheat Head Dataset을 구축하고 유지 관리하는 데 기여한 연구자 및 기관에 감사를 표합니다. 데이터셋과 제작자에 대한 자세한 내용은 Global Wheat Head Dataset 웹사이트를 방문하십시오.

Link to this sectionFAQ#

Link to this sectionGlobal Wheat Head Dataset은 무엇에 사용됩니까?#

Global Wheat Head Dataset은 주로 밀 이삭 검출을 목적으로 하는 딥러닝 모델을 개발하고 학습하는 데 사용됩니다. 이는 밀 표현형 분석 및 작물 관리 애플리케이션에 매우 중요하며, 밀 이삭 밀도, 크기 및 전체 작물 수확 잠재력을 더욱 정확하게 추정할 수 있게 해줍니다. 정확한 검출 방법은 효율적인 작물 관리에 필수적인 작물 건강 및 성숙도 평가에 도움이 됩니다.

Link to this sectionGlobal Wheat Head Dataset에서 YOLO26n 모델을 어떻게 학습합니까?#

Global Wheat Head Dataset에서 YOLO26n 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 데이터셋 경로와 클래스를 지정하는 GlobalWheat2020.yaml 구성 파일이 있는지 확인하십시오:

훈련 예제
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)

사용 가능한 인수에 대한 자세한 목록은 모델 학습(Training) 페이지를 참조하십시오.

Link to this sectionGlobal Wheat Head Dataset의 주요 특징은 무엇입니까?#

Global Wheat Head Dataset의 주요 특징은 다음과 같습니다:

  • 유럽(프랑스, 영국, 스위스)과 북미(캐나다)에서 수집된 3,000개 이상의 학습용 이미지.
  • 호주, 일본, 중국에서 수집된 약 1,000개의 테스트 이미지.
  • 서로 다른 재배 환경으로 인한 밀 이삭 외관의 높은 변동성.
  • 객체 검출 모델을 지원하기 위한 밀 이삭 BBox가 포함된 상세한 어노테이션.

이러한 특징들은 여러 지역에서 일반화할 수 있는 강력한 모델 개발을 촉진합니다.

Link to this sectionGlobal Wheat Head Dataset을 위한 구성 YAML 파일은 어디에서 찾을 수 있습니까?#

Global Wheat Head Dataset을 위한 구성 YAML 파일인 GlobalWheat2020.yaml은 GitHub에서 확인할 수 있습니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml에서 액세스할 수 있습니다. 이 파일에는 Ultralytics YOLO에서 모델 학습에 필요한 데이터셋 경로, 클래스 및 기타 구성 세부 정보에 대한 필수 정보가 포함되어 있습니다.

Link to this section왜 작물 관리에서 밀 이삭 검출이 중요합니까?#

밀 이삭 검출은 작물의 건강, 성숙도 및 수확 잠재력을 평가하는 데 필수적인 밀 이삭 밀도와 크기를 정확하게 추정할 수 있게 해주므로 작물 관리에서 매우 중요합니다. Global Wheat Head Dataset과 같은 데이터셋으로 학습된 딥러닝 모델을 활용함으로써 농부와 연구자는 작물을 더 잘 모니터링하고 관리할 수 있으며, 이는 농업 관행에서 생산성 향상과 자원 사용 최적화로 이어집니다. 이러한 기술적 발전은 지속 가능한 농업 및 식량 안보 이니셔티브를 지원합니다.

농업 분야의 AI 응용 프로그램에 대한 자세한 정보는 농업 분야 AI(AI in Agriculture)를 방문하십시오.

기여자
GLglenn-jocher16PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

댓글