Global Wheat Head 데이터셋#
Global Wheat Head 데이터셋(GWHD)은 야외 밭 이미지에서 밀의 낟알이 맺히는 이삭인 밀 이삭을 감지하기 위한 단일 클래스 객체 감지 데이터셋입니다. 여러 재배 지역에서 촬영한 학습 이미지 3,422개, 검증 이미지 748개, 테스트 이미지 1,276개를 제공합니다. 서로 다른 환경에서 모델이 일반화할 수 있도록 7개국의 연구기관 9곳이 협력해 제작했습니다. 밀 이삭을 정확하게 감지하는 것은 식물 표현형 분석 및 작물 관리에서 이삭 밀도, 크기, 수확 잠재력을 추정하는 기반이 됩니다.
주요 기능#
- 밀 이삭의 외관, 조명 및 생육 단계의 자연스러운 변화를 담은 실제 야외 밭 이미지입니다.
- 7개국의 연구기관 9곳이 구축했으며, 유럽, 북미, 아시아 및 호주의 재배 지역을 아울러 다양한 환경에서의 강력한 일반화 성능을 지원합니다.
- 단일 클래스
wheat_head에 대한 바운딩 박스 어노테이션이 제공되어 객체 감지 및 추적 파이프라인에서 바로 사용할 수 있습니다. - 테스트 이미지는 학습 중에 보지 못한 유전자형과 지역에서 가져와 실질적인 일반화 벤치마크를 제공합니다.
데이터셋 구조#
Global Wheat Head 데이터셋은 GlobalWheat2020.yaml 구성으로 정의된 세 가지 하위 집합으로 구성되며, 모든 이미지에는 단일 클래스 wheat_head이 어노테이션되어 있습니다:
| 분할 | 이미지 | 지역 |
|---|---|---|
| 학습 | 3,422 | 유럽(프랑스, 영국, 스위스), 북미(캐나다) |
| 검증 | 748 | 스위스(ETH Zürich) |
| 테스트 | 1,276 | 호주, 일본, 중국 |
검증 세트(748개 이미지)는 ethz_1 하위 세트이며, 학습 세트에도 포함되어 있습니다. 따라서 검증 지표는 모델이 학습에도 사용한 이미지에서 측정됩니다. 호주, 일본, 중국에서 가져온 별도의 테스트 세트는 학습 중 보지 못한 환경에 대한 일반화 성능을 측정합니다.
응용 분야#
Global Wheat Head Dataset은 밀 이삭 탐지를 위한 딥러닝 모델을 학습하고 평가하는 데 널리 사용됩니다. 지역, 유전자형, 조건 전반에 걸친 다양한 이미지를 포함하므로 식물 표현형 분석과 작물 관리에 유용한 자료이며, 수확량 추정, 작물 건강 모니터링, 표현형 분석을 지원합니다.
현장 이미지를 어노테이션하고, 학습을 진행하며, 브라우저에서 데이터셋 버전을 관리하려면 Ultralytics Platform에서 전체 워크플로를 실행하세요.
데이터셋 YAML#
데이터셋 구성을 정의하는 데 YAML 파일이 사용됩니다. 이 파일은 데이터셋의 경로, 클래스 및 기타 구성 세부 정보를 정의합니다. Global Wheat Head Dataset의 경우 GlobalWheat2020.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml에서 관리됩니다.
# 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 /annotations사용법#
Global Wheat Head Dataset에서 YOLO26n 모델을 100 에폭 동안 이미지 크기 640으로 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 데이터셋(~7.0 GB)은 처음 사용할 때 자동으로 다운로드됩니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하세요.
from ultralytics import YOLO
# 모델 로드
model = YOLO("yolo26n.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장).
# 모델 학습
results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)샘플 이미지 및 어노테이션#
Global Wheat Head Dataset에는 다양한 야외 현장 이미지가 포함되어 있으며, 밀 이삭의 외관, 환경 및 조건에서 나타나는 자연적인 변이를 담고 있습니다. 다음은 데이터셋의 예시 이미지와 해당 이미지의 어노테이션입니다.
- 밀 이삭 탐지: 다양한 현장 조건에서 밀 이삭에 바운딩 박스를 표시하여, 데이터셋의 다양성과 복잡성을 반영하는 객체 탐지를 지원합니다.
인용 및 감사의 글#
연구 또는 개발 작업에 Global Wheat Head Dataset을 사용하는 경우 다음 논문을 인용해 주세요.
@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 유용한 자료인 Global Wheat Head Dataset의 제작과 유지 관리에 기여한 연구자와 기관에 감사드립니다. 데이터셋과 제작자에 대한 자세한 내용은 Global Wheat Head Dataset 웹사이트를 방문하세요.
자주 묻는 질문#
Global Wheat Head Dataset에는
wheat_head단일 클래스가 있으며, 세 개의 하위 세트로 나뉩니다. 학습 이미지 3,422개, 검증 이미지 748개, 테스트 이미지 1,276개입니다. 학습 및 검증 이미지는 유럽과 북미에서 가져왔으며, 테스트 세트는 호주, 일본, 중국에서 가져와 접하지 못한 환경에 대한 일반화 성능을 평가합니다.Global Wheat Head Dataset에서 YOLO26n 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 데이터셋 경로와 클래스를 지정하는
GlobalWheat2020.yaml구성 파일이 있는지 확인하세요.학습 예제from ultralytics import YOLO # 사전 학습된 모델을 불러옵니다(학습에 권장). model = YOLO("yolo26n.pt") # 모델 학습 results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하세요.
data="GlobalWheat2020.yaml"으로 처음 학습을 시작하면 데이터셋(~7.0 GB)이 자동으로 다운로드되므로 수동으로 진행할 필요가 없습니다. Ultralytics는 이미지와 라벨을 가져와 로컬 데이터셋 디렉터리에 압축을 풉니다. 관련 데이터셋은 탐지 데이터셋 개요에서 확인할 수 있습니다.GlobalWheat2020.yaml이라는 이름의 Global Wheat Head Dataset 구성 YAML 파일은 GitHub에서 이용할 수 있습니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml에서 확인할 수 있습니다. 이 파일에는 Ultralytics YOLO에서 모델을 학습하는 데 필요한 데이터셋 경로, 클래스 및 기타 구성 세부 정보가 포함되어 있습니다.