No license

Link to this sectionGlobal Wheat Head Dataset#

Global Wheat Head Dataset(GWHD)은 야외 현장 이미지에서 밀 이삭(wheat heads), 즉 밀 식물의 곡물이 달린 이삭을 탐지하기 위한 단일 클래스 객체 탐지(object detection) 데이터셋입니다. 이 데이터셋은 여러 재배 지역에서 캡처된 3,422개의 학습 이미지, 748개의 검증 이미지, 1,276개의 테스트 이미지를 제공하며, 모델이 다양한 환경 전반에서 일반화될 수 있도록 7개국 9개 연구 기관의 협력을 통해 구축되었습니다. 밀 이삭에 대한 정확한 탐지는 식물 표현형 분석(plant phenotyping) 및 작물 관리에서 이삭 밀도, 크기, 수확 잠재력을 추정하는 기반이 됩니다.

Link to this section주요 특징#

밀 이삭의 외관, 조명 및 성장 단계의 자연적인 변동성을 포착한 실제 야외 현장 이미지입니다.
유럽, 북미, 아시아 및 호주 재배 지역에 걸쳐 7개국 9개 연구 기관이 구축하여 강력한 환경 간 일반화 능력을 갖추었습니다.
단일 클래스 wheat_head에 대한 BBox 주석으로, object detection 및 tracking 파이프라인에 사용할 준비가 되어 있습니다.
테스트 이미지는 학습 과정에서 보지 못한 유전자형과 지역에서 수집되어 진정한 일반화 벤치마크를 제공합니다.

Link to this section데이터셋 구조#

Global Wheat Head Dataset은 GlobalWheat2020.yaml 구성 파일에 정의된 세 개의 하위 집합으로 구성되어 있으며, 모두 wheat_head라는 단일 클래스로 어노테이션되어 있습니다.

Split	이미지	지역
학습(Train)	3,422	유럽(프랑스, 영국, 스위스), 북미(캐나다)
검증	748	스위스(ETH Zürich)
테스트	1,276	호주, 일본, 중국

검증 분할

검증 세트(748개 이미지)는 ethz_1 하위 집합으로, 학습 도메인의 일부이기도 하여 검증 지표는 도메인 내 성능을 반영합니다. 호주, 일본, 중국에서 추출한 별도의 테스트 세트는 학습 중에 보지 못한 환경에 대한 일반화 성능을 측정합니다.

Link to this section응용 분야#

Global Wheat Head Dataset은 밀 이삭 탐지를 위한 딥러닝(deep learning) 모델을 학습하고 평가하는 데 널리 사용됩니다. 지역, 유전자형 및 조건에 걸친 다양한 이미지는 식물 표현형 분석(plant phenotyping) 및 작물 관리에 유용한 자원이 되며, 수확량 추정, 작물 건강 모니터링, 표현형 분석을 지원합니다.

브라우저에서 현장 이미지를 어노테이션하고, 모델을 학습하며, 데이터셋 버전을 관리하려면 Ultralytics Platform을 통해 전체 워크플로우를 실행하십시오.

Link to this section데이터셋 YAML#

YAML 파일은 데이터셋 구성을 정의하는 데 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.yaml에 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 이미지 크기 640으로 100 에포크(epochs) 동안 YOLO26n 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 데이터셋(~7.0 GB)은 처음 사용할 때 자동으로 다운로드됩니다. 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 이미지 및 주석#

Global Wheat Head Dataset은 밀 이삭의 외관, 환경 및 조건의 자연적인 변동성을 포착하는 다양한 야외 현장 이미지를 포함합니다. 다음은 데이터셋의 예시 이미지와 그에 해당하는 어노테이션입니다.

밀 이삭 검출을 보여주는 Global Wheat 데이터셋 샘플

밀 이삭 탐지: 밀 이삭은 데이터셋의 다양성과 복잡성을 반영하는 다양한 현장 조건에서 객체 탐지(object detection)를 위해 바운딩 박스로 어노테이션되어 있습니다.

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 탐지를 목표로 하는 딥러닝(deep learning) 모델을 개발하고 학습하는 데 사용됩니다. 이는 밀 표현형 분석(wheat phenotyping) 및 작물 관리 분야의 응용 프로그램에 매우 중요하며, 밀 이삭 밀도, 크기 및 전반적인 작물 수확 잠재력을 더 정확하게 추정할 수 있게 해줍니다. 정확한 탐지 방법은 효율적인 작물 관리에 필수적인 작물 건강 및 성숙도 평가에 도움을 줍니다.

Link to this sectionGlobal Wheat Head Dataset에는 몇 개의 이미지와 클래스가 있습니까?#

Global Wheat Head Dataset에는 wheat_head 단일 클래스가 포함되어 있으며 세 개의 하위 집합으로 나뉩니다: 3,422개의 학습 이미지, 748개의 검증 이미지, 1,276개의 테스트 이미지입니다. 학습 및 검증 이미지는 유럽과 북미에서 가져온 것이며, 테스트 세트는 학습하지 않은 환경에 대한 일반화 성능을 평가하기 위해 호주, 일본, 중국에서 추출되었습니다.

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 Dataset은 어떻게 다운로드합니까?#

데이터셋(~7.0 GB)은 data="GlobalWheat2020.yaml"로 처음 학습할 때 자동으로 다운로드되므로 별도의 수동 단계가 필요하지 않습니다. Ultralytics는 이미지와 라벨을 가져와 로컬 데이터셋 디렉토리에 압축을 풉니다. 관련 데이터셋은 탐지 데이터셋 개요(detection datasets overview)에서 살펴볼 수 있습니다.

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 YOLO 모델 학습에 필요한 데이터셋 경로, 클래스 및 기타 구성 세부 정보가 포함되어 있습니다.

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

밀 이삭 탐지는 밀 이삭의 밀도와 크기를 정확하게 추정할 수 있게 해주기 때문에 작물 관리에 있어 매우 중요하며, 이는 작물의 건강 상태, 성숙도 및 수확 잠재력을 평가하는 데 필수적입니다. Global Wheat Head Dataset과 같은 데이터셋으로 학습된 딥러닝 모델을 활용함으로써 농부와 연구자는 작물을 더 효과적으로 모니터링하고 관리할 수 있으며, 이를 통해 농업 현장에서 생산성을 향상하고 자원 사용을 최적화할 수 있습니다. 이러한 기술적 발전은 지속 가능한 농업 및 식량 안보 이니셔티브를 지원합니다.

농업 분야의 AI 활용에 대한 자세한 정보는 AI in Agriculture를 방문해 주십시오.

기여자

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

생성됨 2023년 11월 12일업데이트됨 지난주