Global Wheat Head Dataset#
Global Wheat Head Dataset(GWHD)은 야외 필드 이미지에서 밀의 곡물 이삭인 **밀 이삭(wheat heads)**을 감지하기 위한 단일 클래스 객체 감지(object detection) 데이터셋입니다. 이 데이터셋은 여러 재배 지역에서 수집된 3,422개의 훈련 이미지, 748개의 검증 이미지, 1,276개의 테스트 이미지를 제공하며, 모델이 다양한 환경에서 일반화될 수 있도록 7개국의 9개 연구 기관이 협력하여 구축했습니다. 식물 표현형 분석(plant phenotyping) 및 작물 관리에서 이삭 밀도, 크기, 수확량 잠재력 추정의 기반이 됩니다.
주요 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.
- 객체 감지(object detection) 및 추적(tracking) 파이프라인에 사용할 수 있는 단일 클래스
wheat_head용 바운딩 박스 주석입니다. - 테스트 이미지는 학습 과정에서 보지 못한 유전자형과 지역에서 수집되어 진정한 일반화 벤치마크를 제공합니다.
데이터셋 구조#
Global Wheat Head Dataset은 GlobalWheat2020.yaml 구성에 의해 정의된 세 가지 서브셋으로 구성되어 있으며, 모든 서브셋은 단일 클래스인 wheat_head(으)로 주석이 지정되어 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 세트(748장 이미지)는 ethz_1 서브셋이며, 훈련 도메인의 일부이기도 하므로 검증 지표는 도메인 내 성능을 반영합니다. 호주, 일본, 중국의 별도 테스트 세트는 훈련 중에 보지 못한 환경에 대한 일반화 성능을 측정합니다.
응용 분야#
Global Wheat Head Dataset은 밀 이삭 감지를 위한 딥러닝(deep learning) 모델을 훈련하고 평가하는 데 널리 사용됩니다. 지역, 유전형, 조건에 걸친 다양한 이미지는 수확량 추정, 작물 건강 모니터링, 표현형 분석을 지원하여 식물 표현형 분석(plant phenotyping) 및 작물 관리를 위한 귀중한 리소스가 됩니다.
브라우저에서 필드 이미지를 주석 처리하고, 훈련하며, 데이터셋 버전을 관리하려면 Ultralytics Platform을 사용하여 전체 워크플로를 실행하세요.
데이터셋 YAML#
데이터셋 구성은 YAML 파일을 사용하여 정의합니다. 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 🚀 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#
이미지 크기 640으로 100 에포크(epochs) 동안 Global Wheat Head Dataset에서 YOLO26n 모델을 훈련하려면 다음 코드 조각을 사용할 수 있습니다. 데이터셋(~7.0 GB)은 처음 사용할 때 자동으로 다운로드됩니다. 사용 가능한 인수의 전체 목록은 모델 훈련(Training) 페이지를 참조하세요.
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)샘플 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 감지(Wheat Head Detection): 데이터셋의 다양성과 복잡성을 반영하는 다양한 필드 조건에서 객체 감지(object detection)를 위한 바운딩 박스로 밀 이삭에 주석이 지정되어 있습니다.
인용 및 감사의 글#
연구 또는 개발 작업에 Global Wheat Head Dataset을 사용하는 경우 다음 논문을 인용해 주십시오:
@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 리소스로서 Global Wheat Head Dataset의 생성 및 유지 관리에 기여한 연구원과 기관에 감사를 표합니다. 데이터셋 및 제작자에 대한 자세한 내용은 Global Wheat Head Dataset 웹사이트를 방문하세요.
FAQ#
Global Wheat Head Dataset은 주로 밀 이삭 감지를 목표로 하는 딥러닝(deep learning) 모델을 개발하고 훈련하는 데 사용됩니다. 이는 밀 표현형 분석(wheat phenotyping) 및 작물 관리 응용 프로그램에서 매우 중요하며, 밀 이삭 밀도, 크기, 전체 작물 수확량 잠재력을 보다 정확하게 추정할 수 있게 해줍니다. 정확한 감지 방법은 효율적인 작물 관리에 필수적인 작물 건강 및 성숙도 평가에 도움이 됩니다.
Global Wheat Head Dataset에는 단일 클래스
wheat_head(이)가 있으며 훈련 이미지 3,422장, 검증 이미지 748장, 테스트 이미지 1,276장의 세 가지 서브셋으로 분할되어 있습니다. 훈련 및 검증 이미지는 유럽과 북미에서 가져온 반면 테스트 세트는 보지 못한 환경에 대한 일반화를 평가하기 위해 호주, 일본, 중국에서 가져왔습니다.Global Wheat Head Dataset에서 YOLO26n 모델을 훈련하려면 다음 코드 조각을 사용할 수 있습니다. 데이터셋 경로와 클래스를 지정하는
GlobalWheat2020.yaml구성 파일이 있는지 확인하세요:훈련 예제from 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 인수의 전체 목록은 모델 훈련(Training) 페이지를 참조하세요.
data="GlobalWheat2020.yaml"(으)로 처음 훈련할 때 데이터셋(~7.0 GB)이 자동으로 다운로드되므로 수동 단계가 필요하지 않습니다. Ultralytics는 이미지와 라벨을 가져와 로컬 데이터셋 디렉터리에 압축을 풉니다. 감지 데이터셋 개요(detection datasets overview)에서 관련 데이터셋을 찾아볼 수 있습니다.GlobalWheat2020.yaml(이)라는 이름의 Global Wheat Head Dataset용 구성 YAML 파일은 GitHub에서 확인할 수 있습니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml에서 액세스할 수 있습니다. 이 파일에는 Ultralytics YOLO에서 모델을 훈련하는 데 필요한 데이터셋 경로, 클래스 및 기타 구성 세부 정보가 포함되어 있습니다.밀 이삭 감지는 작물의 건강, 성숙도, 수확량 잠재력을 평가하는 데 필수적인 밀 이삭 밀도와 크기를 정확하게 추정할 수 있게 해주므로 작물 관리에서 매우 중요합니다. Global Wheat Head Dataset과 같은 데이터셋으로 훈련된 딥러닝 모델(deep learning models)을 활용하여 농부와 연구원은 작물을 더 잘 모니터링하고 관리할 수 있으며, 이를 통해 농업 관행에서 생산성 향상과 자원 사용 최적화를 이룰 수 있습니다. 이러한 기술 발전은 지속 가능한 농업(sustainable agriculture) 및 식량 안보 이니셔티브를 지원합니다.
농업에서의 AI 활용에 대한 자세한 내용은 농업 분야의 AI(AI in Agriculture)를 방문하세요.