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 야외 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

글로벌 밀 머리 데이터 세트는 밀 머리 검출 작업에서 딥 러닝 모델을 훈련하고 평가하는 데 널리 사용됩니다. 이 데이터 세트는 다양한 모양, 환경, 조건을 포착한 다양한 이미지 세트를 포함하고 있어 식물 표현형 분석 및 작물 관리 분야의 연구자와 실무자에게 유용한 리소스로 활용되고 있습니다.

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

이미지 크기가 640인 글로벌 밀 머리 데이터 세트에서 100개 시대에 대한 YOLO11n 모델을 훈련하려면 다음 코드 조각을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 훈련 페이지를 참조하세요.

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 전합니다. 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.

글로벌 밀 헤드 데이터세트에서 YOLO11n 모델을 훈련하려면 어떻게 해야 하나요?

글로벌 밀 머리 데이터 세트에서 YOLO11n 모델을 훈련하려면 다음 코드 스니펫을 사용할 수 있습니다. 반드시 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.
• 객체 감지 모델을 지원하는 밀 헤드 바운딩 박스를 사용한 자세한 주석.

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 작물을 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.

📅1 년 전 생성됨 ✏️ 2개월 전 업데이트됨

댓글