Ultralytics YOLO27:
MIT

Global Wheat Head 데이터셋#

Global Wheat Head 데이터셋(GWHD)은 야외 밭 이미지에서 밀 이삭(밀 식물에서 낟알이 달리는 이삭)을 검출하기 위한 단일 클래스 객체 검출 데이터셋입니다. 여러 재배 지역에서 촬영한 학습 이미지 3,422장, 검증 이미지 748장, 테스트 이미지 1,276장을 제공하며, 모델이 서로 다른 환경에서 일반화할 수 있도록 7개국의 9개 연구 기관이 협력하여 제작했습니다. 정확한 밀 이삭 검출은 식물 표현형 분석 및 작물 관리에서 이삭 밀도, 크기, 수확 잠재력을 추정하는 데 중요한 기반이 됩니다.

주요 기능#

  • 밀 이삭의 외관, 조명, 생육 단계에서 나타나는 자연적인 변동성을 포착한 실제 야외 밭 이미지입니다.
  • 7개국의 9개 연구 기관이 제작했으며, 유럽, 북미, 아시아, 호주의 재배 지역을 아우르므로 환경 간 일반화 성능이 뛰어납니다.
  • 단일 클래스 wheat_head에 대한 바운딩 박스 주석이 제공되며, 객체 검출 및 추적 파이프라인에 바로 사용할 수 있습니다.
  • 테스트 이미지는 학습 중 보지 못한 유전자형과 지역에서 가져왔으므로, 실제 일반화 성능을 평가하는 벤치마크를 제공합니다.

데이터셋 구조#

Global Wheat Head 데이터셋은 GlobalWheat2020.yaml 구성으로 정의된 세 가지 서브셋으로 구성되며, 모두 단일 클래스 wheat_head로 주석 처리되어 있습니다:

분할이미지지역
학습3,422유럽(프랑스, 영국, 스위스), 북미(캐나다)
검증748스위스(ETH Zürich)
테스트1,276호주, 일본, 중국
검증 분할

검증 세트(이미지 748장)는 ethz_1 서브셋이며, 학습 도메인의 일부이기도 합니다. 따라서 검증 지표는 도메인 내 성능을 반영합니다. 호주, 일본, 중국에서 분리하여 확보한 테스트 세트는 학습 중 보지 못한 환경에 대한 일반화 성능을 측정합니다.

응용 분야#

Global Wheat Head 데이터셋은 밀 이삭 검출을 위한 딥러닝 모델의 학습 및 평가에 널리 사용됩니다. 지역, 유전자형, 조건 전반에 걸친 다양한 이미지를 포함하므로 식물 표현형 분석 및 작물 관리에 유용한 리소스이며, 수확량 추정, 작물 건강 모니터링, 표현형 분석을 지원합니다.

브라우저에서 밭 이미지를 주석 처리하고, 모델을 학습하며, 데이터셋 버전을 관리하려면 Ultralytics Platform을 사용하여 전체 워크플로를 실행할 수 있습니다.

데이터셋 YAML#

데이터셋 구성을 정의하는 데 YAML 파일이 사용됩니다. 이 파일은 데이터셋의 경로, 클래스 및 기타 구성 세부 정보를 정의합니다. Global Wheat Head 데이터셋의 경우 GlobalWheat2020.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml에서 관리됩니다.

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#

Global Wheat Head 데이터셋에서 YOLO26n 모델을 100 에포크 동안 이미지 크기 640으로 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 데이터셋(~7.0 GB)은 처음 사용할 때 자동으로 다운로드됩니다. 사용 가능한 인자 전체 목록은 모델 학습 페이지를 참조하십시오.

학습 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)

샘플 이미지 및 주석#

Global Wheat Head 데이터셋에는 밀 이삭의 외관, 환경, 조건에서 나타나는 자연적인 변동성을 포착한 다양한 야외 밭 이미지가 포함되어 있습니다. 다음은 데이터셋의 예시 이미지와 해당 주석입니다:

밀 이삭 검출을 보여 주는 Global Wheat 데이터셋 샘플

  • 밀 이삭 검출: 다양한 밭 조건에서 밀 이삭에 바운딩 박스가 주석 처리되어 있으며, 이는 데이터셋의 다양성과 복잡성을 반영합니다. 객체 검출에 사용할 수 있습니다.

인용 및 감사의 글#

연구 또는 개발 작업에서 Global Wheat Head 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:

인용문
@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 커뮤니티에 귀중한 리소스인 Global Wheat Head 데이터셋의 제작과 유지 관리에 기여한 연구자 및 기관에 감사드립니다. 데이터셋과 제작자에 대한 자세한 내용은 Global Wheat Head 데이터셋 웹사이트를 방문하십시오.

FAQ#

  • Global Wheat Head 데이터셋은 주로 밀 이삭 검출을 목표로 하는 딥러닝 모델의 개발 및 학습에 사용됩니다. 이는 밀 식물 표현형 분석 및 작물 관리 분야의 애플리케이션에 중요하며, 밀 이삭 밀도, 크기, 전반적인 작물 수확 잠재력을 더욱 정확하게 추정할 수 있도록 합니다. 정확한 검출 방법은 효율적인 작물 관리에 필수적인 작물 건강과 성숙도를 평가하는 데 도움이 됩니다.

  • Global Wheat Head 데이터셋에는 단일 클래스 wheat_head가 있으며, 학습 이미지 3,422장, 검증 이미지 748장, 테스트 이미지 1,276장의 세 가지 서브셋으로 분할됩니다. 학습 및 검증 이미지는 유럽과 북미에서 가져오며, 테스트 세트는 호주, 일본, 중국에서 구성하여 보지 못한 환경에 대한 일반화 성능을 평가합니다.

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

    학습 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 인자 전체 목록은 모델 학습 페이지를 참조하십시오.

  • 데이터셋(~7.0 GB)은 data="GlobalWheat2020.yaml"을 사용하여 처음 학습할 때 자동으로 다운로드되므로 수동 단계가 필요하지 않습니다. Ultralytics는 이미지와 라벨을 가져와 로컬 데이터셋 디렉터리에 압축 해제합니다. 관련 데이터셋은 검출 데이터셋 개요에서 찾아볼 수 있습니다.

  • GlobalWheat2020.yaml이라는 이름의 Global Wheat Head 데이터셋 구성 YAML 파일은 GitHub에서 제공됩니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml에서 확인할 수 있습니다. 이 파일에는 Ultralytics YOLO에서 모델 학습에 필요한 데이터셋 경로, 클래스 및 기타 구성 세부 정보가 포함되어 있습니다.

  • 밀 이삭 검출은 작물의 건강, 성숙도, 수확 잠재력을 평가하는 데 필수적인 밀 이삭 밀도와 크기를 정확하게 추정할 수 있도록 하므로 작물 관리에서 매우 중요합니다. Global Wheat Head 데이터셋과 같은 데이터셋으로 학습한 딥러닝 모델을 활용하면 농업 종사자와 연구자가 작물을 더욱 효과적으로 모니터링하고 관리하여 농업 관행의 생산성을 높이고 자원 사용을 최적화할 수 있습니다. 이러한 기술 발전은 지속 가능한 농업과 식량 안보 이니셔티브를 지원합니다.

    농업에서의 AI 애플리케이션에 대한 자세한 내용은 농업 분야의 AI를 방문하십시오.

기여자
GLglenn-jocher19RAraimbekovm4PDpderrenger2MImiles-deans-ultralytics1MAMatthewNoyce1RIRizwanMunawar1

댓글