콘텐츠로 건너뛰기

Global Wheat Head 데이터세트

Global Wheat Head Dataset은 밀 표현형 분석 및 작물 관리에 적용하기 위해 정확한 밀 이삭 감지 모델 개발을 지원하도록 설계된 이미지 모음입니다. 이삭이라고도 하는 밀 이삭은 밀 식물의 곡물 생산 부분입니다. 밀 이삭 밀도와 크기를 정확하게 추정하는 것은 작물 건강, 성숙도 및 수확량 잠재력을 평가하는 데 필수적입니다. 7개국 9개 연구 기관의 협력으로 만들어진 이 데이터 세트는 여러 재배 지역을 포괄하여 모델이 다양한 환경에서 잘 일반화되도록 합니다.

주요 기능

  • 이 데이터 세트는 유럽(프랑스, 영국, 스위스)과 북미(캐나다)에서 가져온 3,000개 이상의 훈련 이미지를 포함합니다.
  • 호주, 일본, 중국에서 가져온 약 1,000개의 테스트 이미지를 포함합니다.
  • 이미지는 야외 필드 이미지이며, 밀 이삭 모양의 자연적인 변화를 포착합니다.
  • 주석에는 객체 검출 작업을 지원하기 위한 밀 머리 경계 상자가 포함됩니다.

데이터 세트 구조

Global Wheat Head Dataset은 두 개의 주요 하위 세트로 구성됩니다.

  1. 학습 세트: 이 하위 집합은 유럽과 북미에서 가져온 3,000개 이상의 이미지를 포함합니다. 이미지는 밀 이삭 경계 상자로 레이블이 지정되어 객체 감지 모델 학습을 위한 ground truth를 제공합니다.
  2. 테스트 세트: 이 하위 세트는 호주, 일본, 중국에서 가져온 약 1,000개의 이미지로 구성됩니다. 이 이미지들은 훈련된 모델이 보이지 않는 유전자형, 환경 및 관찰 조건에서 성능을 평가하는 데 사용됩니다.

응용 분야

Global Wheat Head 데이터 세트는 밀 이삭 감지 작업에서 딥러닝 모델을 훈련하고 평가하는 데 널리 사용됩니다. 이 데이터 세트는 광범위한 외관, 환경 및 조건을 캡처하는 다양한 이미지 세트로 구성되어 있어 식물 페노타이핑 및 작물 관리 분야의 연구원과 실무자에게 귀중한 리소스입니다.

데이터세트 YAML

YAML(Yet Another Markup Language) 파일은 데이터 세트 구성을 정의하는 데 사용됩니다. 여기에는 데이터 세트의 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. Global Wheat Head 데이터 세트의 경우, GlobalWheat2020.yaml 파일은 다음 위치에서 관리됩니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml.

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

사용법

이미지 크기가 640인 Global Wheat Head 데이터 세트에서 YOLO11n 모델을 100 epochs 동안 훈련하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 훈련 페이지를 참조하세요.

훈련 예제

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=GlobalWheat2020.yaml model=yolo11n.pt epochs=100 imgsz=640

샘플 데이터 및 주석

Global Wheat Head Dataset은 밀 머리 모양, 환경 및 조건의 자연스러운 변화를 포착하여 다양한 실외 필드 이미지를 포함합니다. 다음은 데이터 세트의 데이터 예제와 해당 주석입니다.

데이터 세트 샘플 이미지

  • 밀 이삭 감지: 이 이미지는 밀 이삭 감지의 예시를 보여주며, 밀 이삭은 경계 상자로 주석 처리되어 있습니다. 이 데이터 세트는 이 작업을 위한 모델 개발을 용이하게 하기 위해 다양한 이미지를 제공합니다.

이 예는 Global Wheat Head 데이터 세트의 데이터의 다양성과 복잡성을 보여주고 밀 페노타이핑 및 작물 관리에 대한 응용 분야에서 정확한 밀 이삭 감지의 중요성을 강조합니다.

인용 및 감사의 말씀

Global Wheat Head 데이터 세트를 연구 또는 개발 작업에 사용하는 경우 다음 논문을 인용하십시오.

@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 리소스인 Global Wheat Head 데이터 세트의 생성 및 유지 관리에 기여한 연구원 및 기관에 감사를 드립니다. 데이터 세트 및 제작자에 대한 자세한 내용은 Global Wheat Head 데이터 세트 웹사이트를 방문하십시오.

FAQ

Global Wheat Head 데이터 세트는 어디에 사용됩니까?

Global Wheat Head 데이터 세트는 주로 밀 이삭 감지를 목표로 하는 딥러닝 모델을 개발하고 훈련하는 데 사용됩니다. 이는 밀 페노타이핑 및 작물 관리에 중요한 애플리케이션으로, 밀 이삭 밀도, 크기 및 전체 작물 수확량 잠재력을 보다 정확하게 추정할 수 있습니다. 정확한 감지 방법은 효율적인 작물 관리에 필수적인 작물 건강 및 성숙도를 평가하는 데 도움이 됩니다.

Global Wheat Head 데이터 세트에서 YOLO11n 모델을 어떻게 학습시키나요?

Global Wheat Head 데이터 세트에서 YOLO11n 모델을 훈련하려면 다음 코드 스니펫을 사용할 수 있습니다. 다음이 있는지 확인하세요. GlobalWheat2020.yaml 데이터 세트 경로 및 클래스를 지정하는 구성 파일:

훈련 예제

from ultralytics import YOLO

# Load a pre-trained model (recommended for training)
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=GlobalWheat2020.yaml model=yolo11n.pt epochs=100 imgsz=640

사용 가능한 인수에 대한 포괄적인 목록은 모델 훈련 페이지를 참조하세요.

Global Wheat Head 데이터 세트의 주요 특징은 무엇입니까?

Global Wheat Head 데이터 세트의 주요 특징:

  • 유럽(프랑스, 영국, 스위스)과 북미(캐나다)에서 가져온 3,000개 이상의 훈련 이미지.
  • 호주, 일본, 중국에서 가져온 약 1,000개의 테스트 이미지입니다.
  • 서로 다른 성장 환경으로 인해 밀 이삭 모양의 변동성이 큼.
  • 객체 감지 모델을 지원하기 위해 밀 이삭 경계 상자가 있는 자세한 주석.

이러한 기능은 여러 지역에서 일반화할 수 있는 강력한 모델 개발을 용이하게 합니다.

Global Wheat Head Dataset에 대한 구성 YAML 파일은 어디에서 찾을 수 있나요?

Global Wheat Head 데이터 세트에 대한 구성 YAML 파일의 이름은 다음과 같습니다. GlobalWheat2020.yaml, GitHub에서 사용할 수 있습니다. 다음에서 액세스할 수 있습니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml이 파일에는 데이터세트 경로, 클래스 및 Ultralytics 모델 학습에 필요한 기타 구성 세부 정보가 포함되어 있습니다. Ultralytics YOLO.

작물 관리에서 밀 이삭 감지가 중요한 이유는 무엇인가요?

밀 이삭 감지는 밀 이삭의 밀도와 크기를 정확하게 추정할 수 있게 해주어 작물 관리에서 매우 중요하며, 이는 작물의 건강, 성숙도 및 수확량 잠재력을 평가하는 데 필수적입니다. Global Wheat Head Dataset과 같은 데이터 세트에서 훈련된 딥러닝 모델을 활용함으로써 농부와 연구원은 작물을 더 잘 모니터링하고 관리하여 농업 관행에서 생산성 향상과 최적화된 자원 사용을 이끌어낼 수 있습니다. 이러한 기술 발전은 지속 가능한 농업 및 식량 안보 이니셔티브를 지원합니다.

농업 분야의 AI 응용에 대한 자세한 내용은 농업 분야의 AI를 참조하세요.



📅 1년 전에 생성됨 ✏️ 4개월 전에 업데이트됨

댓글