๊ธ๋ก๋ฒ ๋ฐ ํค๋ ๋ฐ์ดํฐ ์ธํธ
๊ธ๋ก๋ฒ ๋ฐ ํค๋ ๋ฐ์ดํฐ ์ธํธ๋ ๋ฐ ํํํ ๋ถ์ ๋ฐ ์๋ฌผ ๊ด๋ฆฌ ๋ถ์ผ์ ์ ์ฉํ ์ ์๋ ์ ํํ ๋ฐ ํค๋ ๊ฐ์ง ๋ชจ๋ธ ๊ฐ๋ฐ์ ์ง์ํ๊ธฐ ์ํด ๊ณ ์๋ ์ด๋ฏธ์ง ๋ชจ์์ ๋๋ค. ๋ฐ ์ด์ญ์ด๋ผ๊ณ ๋ ํ๋ ๋ฐ ์ด์ญ์ ๋ฐ ์๋ฌผ์ ์๊ณก์ ํ๊ณ ์๋ ๋ถ๋ถ์ ๋๋ค. ๋ฐ ์ด์ญ์ ๋ฐ๋์ ํฌ๊ธฐ๋ฅผ ์ ํํ๊ฒ ์ถ์ ํ๋ ๊ฒ์ ์๋ฌผ์ ๊ฑด๊ฐ, ์ฑ์๋, ์ํ๋ ์ ์ฌ๋ ฅ์ ํ๊ฐํ๋ ๋ฐ ํ์์ ์ ๋๋ค. 7๊ฐ๊ตญ 9๊ฐ ์ฐ๊ตฌ ๊ธฐ๊ด์ด ํ๋ ฅํ์ฌ ๋ง๋ ์ด ๋ฐ์ดํฐ ์ธํธ๋ ๋ค์ํ ํ๊ฒฝ์์ ๋ชจ๋ธ์ด ์ ์ผ๋ฐํ๋ ์ ์๋๋ก ์ฌ๋ฌ ์ฌ๋ฐฐ ์ง์ญ์ ํฌ๊ดํฉ๋๋ค.
์ฃผ์ ๊ธฐ๋ฅ
- ์ด ๋ฐ์ดํฐ ์ธํธ์๋ ์ ๋ฝ(ํ๋์ค, ์๊ตญ, ์ค์์ค)๊ณผ ๋ถ๋ฏธ(์บ๋๋ค)์ 3,000๊ฐ ์ด์์ ํธ๋ ์ด๋ ์ด๋ฏธ์ง๊ฐ ํฌํจ๋์ด ์์ต๋๋ค.
- ์ฌ๊ธฐ์๋ ํธ์ฃผ, ์ผ๋ณธ, ์ค๊ตญ์ ์ฝ 1,000๊ฐ์ ํ ์คํธ ์ด๋ฏธ์ง๊ฐ ํฌํจ๋์ด ์์ต๋๋ค.
- ์ด๋ฏธ์ง๋ ์ค์ธ ํ์ฅ ์ด๋ฏธ์ง๋ก, ๋ฐ ๋จธ๋ฆฌ์ ์์ฐ์ค๋ฌ์ด ๋ณํ๋ฅผ ํฌ์ฐฉํ ๊ฒ์ ๋๋ค.
- ์ฃผ์์๋ ๊ฐ์ฒด ๊ฐ์ง ์์ ์ ์ง์ํ๋ ๋ฐ ํค๋ ๋ฐ์ด๋ฉ ๋ฐ์ค๊ฐ ํฌํจ๋ฉ๋๋ค.
๋ฐ์ดํฐ ์ธํธ ๊ตฌ์กฐ
๊ธ๋ก๋ฒ ๋ฐ ํค๋ ๋ฐ์ดํฐ ์ธํธ๋ ๋ ๊ฐ์ง ์ฃผ์ ํ์ ์งํฉ์ผ๋ก ๊ตฌ์ฑ๋ฉ๋๋ค:
- ํธ๋ ์ด๋ ์ธํธ: ์ด ํ์ ์งํฉ์๋ ์ ๋ฝ๊ณผ ๋ถ๋ฏธ์ 3,000๊ฐ ์ด์์ ์ด๋ฏธ์ง๊ฐ ํฌํจ๋์ด ์์ต๋๋ค. ์ด๋ฏธ์ง์๋ ๋ฐ ๋จธ๋ฆฌ ๊ฒฝ๊ณ ์์๋ก ๋ ์ด๋ธ์ด ์ง์ ๋์ด ๋ฌผ์ฒด ๊ฐ์ง ๋ชจ๋ธ ํ์ต์ ์ํ ๊ธฐ์ค ์ ๋ณด๋ฅผ ์ ๊ณตํฉ๋๋ค.
- ํ ์คํธ ์ธํธ: ์ด ํ์ ์งํฉ์ ํธ์ฃผ, ์ผ๋ณธ, ์ค๊ตญ์ ์ฝ 1,000๊ฐ์ ์ด๋ฏธ์ง๋ก ๊ตฌ์ฑ๋์ด ์์ต๋๋ค. ์ด๋ฌํ ์ด๋ฏธ์ง๋ ๋ณด์ด์ง ์๋ ์ ์ ์ํ, ํ๊ฒฝ ๋ฐ ๊ด์ฐฐ ์กฐ๊ฑด์ ๋ํ ํ๋ จ๋ ๋ชจ๋ธ์ ์ฑ๋ฅ์ ํ๊ฐํ๋ ๋ฐ ์ฌ์ฉ๋ฉ๋๋ค.
์ ํ๋ฆฌ์ผ์ด์
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.
๋ฐ์ดํฐ ์ธํธ YAML
๋ฐ์ดํฐ ์ธํธ ๊ตฌ์ฑ์ ์ ์ํ๋ ๋ฐ๋ YAML(๋ ๋ค๋ฅธ ๋งํฌ์
์ธ์ด) ํ์ผ์ด ์ฌ์ฉ๋ฉ๋๋ค. ์ฌ๊ธฐ์๋ ๋ฐ์ดํฐ ์ธํธ์ ๊ฒฝ๋ก, ํด๋์ค ๋ฐ ๊ธฐํ ๊ด๋ จ ์ ๋ณด์ ๋ํ ์ ๋ณด๊ฐ ํฌํจ๋์ด ์์ต๋๋ค. ๊ธ๋ก๋ฒ ๋ฐ ๋จธ๋ฆฌ ๋ฐ์ดํฐ ์ธํธ์ ๊ฒฝ์ฐ, ๊ธ๋ก๋ฒ ๋ฐ ๋จธ๋ฆฌ ๋ฐ์ดํฐ ์ธํธ์ GlobalWheat2020.yaml
ํ์ผ์ ๋ค์ ์์น์์ ์ ์ง๋ฉ๋๋ค. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml.
ultralytics/cfg/datasets/GlobalWheat2020.yaml
# Ultralytics YOLO ๐, 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
# โโโ ultralytics
# โโโ datasets
# โโโ GlobalWheat2020 โ 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
์ฌ์ฉ๋ฒ
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.
์ด์ฐจ ์์
์ํ ๋ฐ์ดํฐ ๋ฐ ์ฃผ์
๊ธ๋ก๋ฒ ๋ฐ ๋จธ๋ฆฌ ๋ฐ์ดํฐ ์ธํธ์๋ ๋ฐ ๋จธ๋ฆฌ ๋ชจ์, ํ๊ฒฝ ๋ฐ ์กฐ๊ฑด์ ์์ฐ์ค๋ฌ์ด ๋ณํ๋ฅผ ํฌ์ฐฉํ๋ ๋ค์ํ ์ผ์ธ ํ์ฅ ์ด๋ฏธ์ง ์ธํธ๊ฐ ํฌํจ๋์ด ์์ต๋๋ค. ๋ค์์ ๋ฐ์ดํฐ ์ธํธ์ ๋ช ๊ฐ์ง ๋ฐ์ดํฐ ์์์ ํด๋น ์ฃผ์์ ๋๋ค:
- ๋ฐ ๋จธ๋ฆฌ ๊ฐ์ง: ์ด ์ด๋ฏธ์ง๋ ๋ฐ ๋จธ๋ฆฌ ๊ฒ์ถ์ ์๋ฅผ ๋ณด์ฌ ์ฃผ๋๋ฐ, ๋ฐ ๋จธ๋ฆฌ์ ๊ฒฝ๊ณ ์์๊ฐ ์ฃผ์์ผ๋ก ํ์๋์ด ์์ต๋๋ค. ์ด ๋ฐ์ดํฐ ์ธํธ๋ ์ด ์์ ์ ์ํ ๋ชจ๋ธ์ ์ฝ๊ฒ ๊ฐ๋ฐํ ์ ์๋๋ก ๋ค์ํ ์ด๋ฏธ์ง๋ฅผ ์ ๊ณตํฉ๋๋ค.
์ด ์๋ ๊ธ๋ก๋ฒ ๋ฐ ํค๋ ๋ฐ์ดํฐ ์ธํธ์ ํฌํจ๋ ๋ฐ์ดํฐ์ ๋ค์์ฑ๊ณผ ๋ณต์ก์ฑ์ ๋ณด์ฌ์ฃผ๊ณ ๋ฐ ํํํ ๋ถ์ ๋ฐ ์๋ฌผ ๊ด๋ฆฌ ๋ถ์ผ์์ ์ ํํ ๋ฐ ํค๋ ๊ฒ์ถ์ ์ค์์ฑ์ ๊ฐ์กฐํฉ๋๋ค.
์ธ์ฉ ๋ฐ ๊ฐ์ฌ
์ฐ๊ตฌ ๋๋ ๊ฐ๋ฐ ์์ ์ ๊ธ๋ก๋ฒ ๋ฐ ํค๋ ๋ฐ์ดํฐ์ ์ ์ฌ์ฉํ๋ ๊ฒฝ์ฐ ๋ค์ ๋ ผ๋ฌธ์ ์ธ์ฉํด ์ฃผ์ธ์:
@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}
}
์๋ฌผ ํํํ ๋ฐ ์๋ฌผ ๊ด๋ฆฌ ์ฐ๊ตฌ ์ปค๋ฎค๋ํฐ๋ฅผ ์ํ ๊ท์คํ ๋ฆฌ์์ค์ธ ๊ธ๋ก๋ฒ ๋ฐ ํค๋ ๋ฐ์ดํฐ์ ์ ์์ฑ ๋ฐ ์ ์ง ๊ด๋ฆฌ์ ๊ธฐ์ฌํ ์ฐ๊ตฌ์ ๋ฐ ๊ธฐ๊ด์ ๊ฐ์ฌ์ ๋ง์์ ์ ํ๊ณ ์ถ์ต๋๋ค. ๋ฐ์ดํฐ ์ธํธ์ ๋ฐ์ดํฐ ์ธํธ ์ ์์์ ๋ํ ์์ธํ ๋ด์ฉ์ ๊ธ๋ก๋ฒ ๋ฐ ํค๋ ๋ฐ์ดํฐ ์ธํธ ์น์ฌ์ดํธ๋ฅผ ์ฐธ์กฐํ์ธ์.
์์ฃผ ๋ฌป๋ ์ง๋ฌธ
๊ธ๋ก๋ฒ ๋ฐ ํค๋ ๋ฐ์ดํฐ ์ธํธ๋ ์ด๋ค ์ฉ๋๋ก ์ฌ์ฉ๋๋์?
๊ธ๋ก๋ฒ ๋ฐ ์ด์ญ ๋ฐ์ดํฐ ์ธํธ๋ ์ฃผ๋ก ๋ฐ ์ด์ญ ๊ฐ์ง๋ฅผ ๋ชฉํ๋ก ํ๋ ๋ฅ๋ฌ๋ ๋ชจ๋ธ์ ๊ฐ๋ฐํ๊ณ ํ๋ จํ๋ ๋ฐ ์ฌ์ฉ๋ฉ๋๋ค. ์ด๋ ๋ฐ ํํํ ๋ถ์ ๋ฐ ์๋ฌผ ๊ด๋ฆฌ์ ์ ์ฉํ๋ ๋ฐ ๋งค์ฐ ์ค์ํ๋ฉฐ, ๋ฐ ๋จธ๋ฆฌ ๋ฐ๋, ํฌ๊ธฐ ๋ฐ ์ ์ฒด ์๋ฌผ ์ํ๋ ์ ์ฌ๋ ฅ์ ๋ณด๋ค ์ ํํ๊ฒ ์ถ์ ํ ์ ์๊ฒ ํด์ค๋๋ค. ์ ํํ ๊ฐ์ง ๋ฐฉ๋ฒ์ ํจ์จ์ ์ธ ์๋ฌผ ๊ด๋ฆฌ์ ํ์์ ์ธ ์๋ฌผ์ ๊ฑด๊ฐ ์ํ์ ์ฑ์๋๋ฅผ ํ๊ฐํ๋ ๋ฐ ๋์์ด ๋ฉ๋๋ค.
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
๊ตฌ์ฑ ํ์ผ์ ๋ฐ์ดํฐ ์ธํธ ๊ฒฝ๋ก์ ํด๋์ค๋ฅผ ์ง์ ํฉ๋๋ค:
์ด์ฐจ ์์
์ฌ์ฉ ๊ฐ๋ฅํ ์ธ์์ ์ ์ฒด ๋ชฉ๋ก์ ๋ชจ๋ธ ๊ต์ก ํ์ด์ง๋ฅผ ์ฐธ์กฐํ์ธ์.
๊ธ๋ก๋ฒ ๋ฐ ํค๋ ๋ฐ์ดํฐ ์ธํธ์ ์ฃผ์ ๊ธฐ๋ฅ์ ๋ฌด์์ธ๊ฐ์?
๊ธ๋ก๋ฒ ๋ฐ ํค๋ ๋ฐ์ดํฐ ์ธํธ์ ์ฃผ์ ๊ธฐ๋ฅ์ ๋ค์๊ณผ ๊ฐ์ต๋๋ค:
- ์ ๋ฝ(ํ๋์ค, ์๊ตญ, ์ค์์ค)๊ณผ ๋ถ๋ฏธ(์บ๋๋ค)์ 3,000๊ฐ ์ด์์ ๊ต์ก ์ด๋ฏธ์ง.
- ํธ์ฃผ, ์ผ๋ณธ, ์ค๊ตญ์์ ์ฝ 1,000๊ฐ์ ํ ์คํธ ์ด๋ฏธ์ง๊ฐ ์ ๊ณต๋์์ต๋๋ค.
- ๋ค์ํ ์ฌ๋ฐฐ ํ๊ฒฝ์ผ๋ก ์ธํด ๋ฐ ๋จธ๋ฆฌ ๋ชจ์์ด ๋งค์ฐ ๋ค์ํฉ๋๋ค.
- Detailed annotations with wheat head bounding boxes to aid object detection models.
์ด๋ฌํ ๊ธฐ๋ฅ์ ํตํด ์ฌ๋ฌ ์ง์ญ์ ๊ฑธ์ณ ์ผ๋ฐํํ ์ ์๋ ๊ฐ๋ ฅํ ๋ชจ๋ธ์ ๊ฐ๋ฐํ ์ ์์ต๋๋ค.
๊ธ๋ก๋ฒ ๋ฐ ํค๋ ๋ฐ์ดํฐ ์ธํธ์ ๊ตฌ์ฑ YAML ํ์ผ์ ์ด๋์์ ์ฐพ์ ์ ์๋์?
๊ธ๋ก๋ฒ ๋ฐ ํค๋ ๋ฐ์ดํฐ ์ธํธ์ ๊ตฌ์ฑ YAML ํ์ผ ์ด๋ฆ์ GlobalWheat2020.yaml
๋ GitHub์์ ์ฌ์ฉํ ์ ์์ต๋๋ค. ๋ค์ ๋งํฌ์์ ์ก์ธ์คํ ์ ์์ต๋๋ค. ๋งํฌ. ์ด ํ์ผ์๋ Ultralytics YOLO ์์ ๋ชจ๋ธ ํ์ต์ ํ์ํ ๋ฐ์ดํฐ ์ธํธ ๊ฒฝ๋ก, ํด๋์ค ๋ฐ ๊ธฐํ ๊ตฌ์ฑ ์ธ๋ถ ์ ๋ณด์ ๋ํ ํ์ ์ ๋ณด๊ฐ ํฌํจ๋์ด ์์ต๋๋ค.
์๋ฌผ ๊ด๋ฆฌ์์ ๋ฐ ๋จธ๋ฆฌ ๊ฐ์ง๊ฐ ์ค์ํ ์ด์ ๋ ๋ฌด์์ธ๊ฐ์?
๋ฐ ์ด์ญ ๊ฐ์ง๋ ์๋ฌผ์ ๊ฑด๊ฐ, ์ฑ์๋, ์ํ๋ ์ ์ฌ๋ ฅ์ ํ๊ฐํ๋ ๋ฐ ํ์์ ์ธ ๋ฐ ์ด์ญ ๋ฐ๋์ ํฌ๊ธฐ๋ฅผ ์ ํํ๊ฒ ์ถ์ ํ ์ ์๊ธฐ ๋๋ฌธ์ ์๋ฌผ ๊ด๋ฆฌ์์ ๋งค์ฐ ์ค์ํฉ๋๋ค. ๋๋ถ์ ์ฐ๊ตฌ์๋ค์ ๊ธ๋ก๋ฒ ๋ฐ ์ด์ญ ๋ฐ์ดํฐ์ธํธ์ ๊ฐ์ ๋ฐ์ดํฐ์ธํธ๋ก ํ์ต๋ ๋ฅ๋ฌ๋ ๋ชจ๋ธ์ ํ์ฉํ์ฌ ๋์๋ฌผ์ ๋ ์ ๋ชจ๋ํฐ๋งํ๊ณ ๊ด๋ฆฌํจ์ผ๋ก์จ ์์ฐ์ฑ์ ํฅ์ํ๊ณ ๋์ ํ์ฅ์์ ์์ ์ฌ์ฉ์ ์ต์ ํํ ์ ์์ต๋๋ค. ์ด๋ฌํ ๊ธฐ์ ๋ฐ์ ์ ์ง์ ๊ฐ๋ฅํ ๋์ ๊ณผ ์๋ ์๋ณด ์ด๋์ ํฐ๋ธ๋ฅผ ์ง์ํฉ๋๋ค.
๋์ ์์์ AI ์ ์ฉ์ ๋ํ ์์ธํ ๋ด์ฉ์ ๋์ ์์์ AI๋ฅผ ์ฐธ์กฐํ์ธ์.