글로벌 밀 헤드 데이터 세트

글로벌 밀 헤드 데이터 세트는 밀 표현형 분석 및 작물 관리 분야에 적용할 수 있는 정확한 밀 헤드 감지 모델 개발을 지원하기 위해 고안된 이미지 모음입니다. 밀 이삭이라고도 하는 밀 이삭은 밀 식물의 알곡을 품고 있는 부분입니다. 밀 이삭의 밀도와 크기를 정확하게 추정하는 것은 작물의 건강, 성숙도, 수확량 잠재력을 평가하는 데 필수적입니다. 7개국 9개 연구 기관이 협력하여 만든 이 데이터 세트는 다양한 환경에서 모델이 잘 일반화될 수 있도록 여러 재배 지역을 포괄합니다.

주요 기능

• 이 데이터 세트에는 유럽(프랑스, 영국, 스위스)과 북미(캐나다)의 3,000개 이상의 트레이닝 이미지가 포함되어 있습니다.
• 여기에는 호주, 일본, 중국의 약 1,000개의 테스트 이미지가 포함되어 있습니다.
• 이미지는 실외 현장 이미지로, 밀 머리의 자연스러운 변화를 포착한 것입니다.
• 주석에는 객체 감지 작업을 지원하는 밀 헤드 바운딩 박스가 포함됩니다.

데이터 세트 구조

글로벌 밀 헤드 데이터 세트는 두 가지 주요 하위 집합으로 구성됩니다:

1. 트레이닝 세트: 이 하위 집합에는 유럽과 북미의 3,000개 이상의 이미지가 포함되어 있습니다. 이미지에는 밀 머리 경계 상자로 레이블이 지정되어 물체 감지 모델 학습을 위한 기준 정보를 제공합니다.
2. 테스트 세트: 이 하위 집합은 호주, 일본, 중국의 약 1,000개의 이미지로 구성되어 있습니다. 이러한 이미지는 보이지 않는 유전자형, 환경 및 관찰 조건에 대한 훈련된 모델의 성능을 평가하는 데 사용됩니다.

애플리케이션

The Global Wheat Head Dataset is widely used for training and evaluating deep learning models in wheat head detection tasks. The dataset's diverse set of images, capturing a wide range of appearances, environments, and conditions, make it a valuable resource for researchers and practitioners in the field of plant phenotyping and crop management.

데이터 세트 YAML

데이터 세트 구성을 정의하는 데는 YAML(또 다른 마크업 언어) 파일이 사용됩니다. 여기에는 데이터 세트의 경로, 클래스 및 기타 관련 정보에 대한 정보가 포함되어 있습니다. 글로벌 밀 머리 데이터 세트의 경우, 글로벌 밀 머리 데이터 세트의 GlobalWheat2020.yaml 파일은 다음 위치에서 유지됩니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 ultralytics.utils.downloads import download
  from pathlib import Path

  # 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

To train a YOLO11n model on the Global Wheat Head Dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

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

글로벌 밀 머리 데이터 세트에는 밀 머리 모양, 환경 및 조건의 자연스러운 변화를 포착하는 다양한 야외 현장 이미지 세트가 포함되어 있습니다. 다음은 데이터 세트의 몇 가지 데이터 예시와 해당 주석입니다:

• 밀 머리 감지: 이 이미지는 밀 머리 검출의 예를 보여 주는데, 밀 머리에 경계 상자가 주석으로 표시되어 있습니다. 이 데이터 세트는 이 작업을 위한 모델을 쉽게 개발할 수 있도록 다양한 이미지를 제공합니다.

이 예는 글로벌 밀 헤드 데이터 세트에 포함된 데이터의 다양성과 복잡성을 보여주고 밀 표현형 분석 및 작물 관리 분야에서 정확한 밀 헤드 검출의 중요성을 강조합니다.

인용 및 감사

연구 또는 개발 작업에 글로벌 밀 헤드 데이터셋을 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 및 작물 관리 연구 커뮤니티를 위한 귀중한 리소스인 글로벌 밀 헤드 데이터셋의 생성 및 유지 관리에 기여한 연구자 및 기관에 감사의 말씀을 전하고 싶습니다. 데이터 세트와 데이터 세트 제작자에 대한 자세한 내용은 글로벌 밀 헤드 데이터 세트 웹사이트를 참조하세요.

자주 묻는 질문

글로벌 밀 헤드 데이터 세트는 어떤 용도로 사용되나요?

글로벌 밀 이삭 데이터 세트는 주로 밀 이삭 감지를 목표로 하는 딥러닝 모델을 개발하고 훈련하는 데 사용됩니다. 이는 밀 표현형 분석 및 작물 관리에 적용하는 데 매우 중요하며, 밀 머리 밀도, 크기 및 전체 작물 수확량 잠재력을 보다 정확하게 추정할 수 있게 해줍니다. 정확한 감지 방법은 효율적인 작물 관리에 필수적인 작물의 건강 상태와 성숙도를 평가하는 데 도움이 됩니다.

How do I train a YOLO11n model on the Global Wheat Head Dataset?

To train a YOLO11n model on the Global Wheat Head Dataset, you can use the following code snippets. Make sure you have the GlobalWheat2020.yaml 구성 파일에 데이터 세트 경로와 클래스를 지정합니다:

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 인수의 전체 목록은 모델 교육 페이지를 참조하세요.

글로벌 밀 헤드 데이터 세트의 주요 기능은 무엇인가요?

글로벌 밀 헤드 데이터 세트의 주요 기능은 다음과 같습니다:

• 유럽(프랑스, 영국, 스위스)과 북미(캐나다)의 3,000개 이상의 교육 이미지.
• 호주, 일본, 중국에서 약 1,000개의 테스트 이미지가 제공되었습니다.
• 다양한 재배 환경으로 인해 밀 머리 모양이 매우 다양합니다.
• Detailed annotations with wheat head bounding boxes to aid object detection models.

이러한 기능을 통해 여러 지역에 걸쳐 일반화할 수 있는 강력한 모델을 개발할 수 있습니다.

글로벌 밀 헤드 데이터 세트의 구성 YAML 파일은 어디에서 찾을 수 있나요?

글로벌 밀 헤드 데이터 세트의 구성 YAML 파일 이름은 GlobalWheat2020.yaml는 GitHub에서 사용할 수 있습니다. 다음 링크에서 액세스할 수 있습니다. 링크. 이 파일에는 Ultralytics YOLO 에서 모델 학습에 필요한 데이터 세트 경로, 클래스 및 기타 구성 세부 정보에 대한 필수 정보가 포함되어 있습니다.

작물 관리에서 밀 머리 감지가 중요한 이유는 무엇인가요?

밀 이삭 감지는 작물의 건강, 성숙도, 수확량 잠재력을 평가하는 데 필수적인 밀 이삭 밀도와 크기를 정확하게 추정할 수 있기 때문에 작물 관리에서 매우 중요합니다. 농부와 연구자들은 글로벌 밀 이삭 데이터세트와 같은 데이터세트로 학습된 딥러닝 모델을 활용하여 농작물을 더 잘 모니터링하고 관리함으로써 생산성을 향상하고 농업 현장에서 자원 사용을 최적화할 수 있습니다. 이러한 기술 발전은 지속 가능한 농업과 식량 안보 이니셔티브를 지원합니다.

농업에서의 AI 적용에 대한 자세한 내용은 농업에서의 AI를 참조하세요.

📅 Created 11 months ago ✏️ Updated 12 days ago

댓글