Global Wheat Head Dataset

O Global Wheat Head Dataset é uma coleção de imagens projetada para apoiar o desenvolvimento de modelos precisos de detecção de espigas de trigo para aplicações em fenotipagem de trigo e gestão de colheitas. As espigas de trigo, também conhecidas como panículas, são as partes que contêm os grãos da planta de trigo. A estimativa precisa da densidade e do tamanho das espigas de trigo é essencial para avaliar a saúde da cultura, a maturação e o potencial de rendimento. O conjunto de dados, criado por uma colaboração de nove institutos de pesquisa de sete países, abrange várias regiões de cultivo para garantir que os modelos sejam bem generalizados em diferentes ambientes.

Principais recursos

• O conjunto de dados contém mais de 3.000 imagens de treinamento da Europa (França, Reino Unido, Suíça) e da América do Norte (Canadá).
• Inclui aproximadamente 1.000 imagens de teste da Austrália, Japão e China.
• As imagens são fotografias de campos ao ar livre, capturando a variabilidade natural na aparência das espigas de trigo.
• As anotações incluem caixas delimitadoras de espigas de trigo para suportar tarefas de detecção de objetos.

Estrutura do Dataset

O Global Wheat Head Dataset é organizado em dois subconjuntos principais:

1. Conjunto de Treinamento: Este subconjunto contém mais de 3.000 imagens da Europa e da América do Norte. As imagens são rotuladas com caixas delimitadoras de espigas de trigo, fornecendo a base (ground truth) para treinar modelos de detecção de objetos.
2. Conjunto de Teste: Este subconjunto consiste em aproximadamente 1.000 imagens da Austrália, Japão e China. Essas imagens são usadas para avaliar o desempenho de modelos treinados em genótipos, ambientes e condições observacionais não vistos anteriormente.

Aplicações

O Global Wheat Head Dataset é amplamente utilizado para treinar e avaliar modelos de deep learning em tarefas de detecção de espigas de trigo. O conjunto diversificado de imagens, que captura uma ampla gama de aparências, ambientes e condições, torna-o um recurso valioso para pesquisadores e profissionais no campo da fenotipagem de plantas e gestão de colheitas.

YAML do Dataset

Um arquivo YAML (Yet Another Markup Language) é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos, classes e outras informações relevantes do conjunto de dados. Para o caso do Global Wheat Head Dataset, o arquivo GlobalWheat2020.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/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

Utilização

Para treinar um modelo YOLO26n no Global Wheat Head Dataset por 100 epochs com um tamanho de imagem de 640, podes usar os seguintes trechos de código. Para uma lista abrangente de argumentos disponíveis, consulta a página de Treinamento do modelo.

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)

Amostra de dados e anotações

O Global Wheat Head Dataset contém um conjunto diversificado de imagens de campos ao ar livre, capturando a variabilidade natural na aparência, ambientes e condições das espigas de trigo. Aqui estão alguns exemplos de dados do conjunto de dados, juntamente com as suas anotações correspondentes:

• Detecção de Espigas de Trigo: Esta imagem demonstra um exemplo de detecção de espigas de trigo, onde as espigas de trigo são anotadas com caixas delimitadoras. O conjunto de dados fornece uma variedade de imagens para facilitar o desenvolvimento de modelos para esta tarefa.

O exemplo mostra a variedade e a complexidade dos dados no Global Wheat Head Dataset e destaca a importância da detecção precisa de espigas de trigo para aplicações em fenotipagem de trigo e gestão de colheitas.

Citações e Agradecimentos

Se usares o Global Wheat Head Dataset no teu trabalho de pesquisa ou desenvolvimento, por favor cita o seguinte artigo:

@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}
}

Gostaríamos de agradecer aos pesquisadores e instituições que contribuíram para a criação e manutenção do Global Wheat Head Dataset como um recurso valioso para a comunidade de pesquisa em fenotipagem de plantas e gestão de colheitas. Para mais informações sobre o conjunto de dados e os seus criadores, visita o site do Global Wheat Head Dataset.

FAQ

Para que é utilizado o Global Wheat Head Dataset?

O Global Wheat Head Dataset é usado principalmente para desenvolver e treinar modelos de deep learning voltados para a detecção de espigas de trigo. Isso é crucial para aplicações em fenotipagem de trigo e gestão de colheitas, permitindo estimativas mais precisas da densidade, tamanho e potencial de rendimento geral da cultura. Métodos de detecção precisos ajudam a avaliar a saúde e a maturação da cultura, o que é essencial para uma gestão eficiente.

Como posso treinar um modelo YOLO26n no Global Wheat Head Dataset?

Para treinar um modelo YOLO26n no Global Wheat Head Dataset, podes usar os seguintes trechos de código. Certifica-te de que tens o arquivo de configuração GlobalWheat2020.yaml especificando os caminhos e as classes do conjunto de dados:

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)

Para uma lista abrangente de argumentos disponíveis, consulta a página de Treinamento do modelo.

Quais são as principais características do Global Wheat Head Dataset?

As principais características do Global Wheat Head Dataset incluem:

• Mais de 3.000 imagens de treinamento da Europa (França, Reino Unido, Suíça) e da América do Norte (Canadá).
• Aproximadamente 1.000 imagens de teste da Austrália, Japão e China.
• Alta variabilidade na aparência das espigas de trigo devido aos diferentes ambientes de cultivo.
• Detailed annotations with wheat head bounding boxes to aid object detection models.

Essas características facilitam o desenvolvimento de modelos robustos capazes de generalizar em várias regiões.

Onde posso encontrar o arquivo YAML de configuração para o Global Wheat Head Dataset?

O arquivo YAML de configuração para o Global Wheat Head Dataset, chamado GlobalWheat2020.yaml, está disponível no GitHub. Podes acessá-lo em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. Este arquivo contém as informações necessárias sobre caminhos do conjunto de dados, classes e outros detalhes de configuração necessários para o treinamento de modelos no Ultralytics YOLO.

Por que a detecção de espigas de trigo é importante na gestão de colheitas?

A detecção de espigas de trigo é fundamental na gestão de colheitas porque permite a estimativa precisa da densidade e do tamanho das espigas, que são essenciais para avaliar a saúde, maturação e potencial de rendimento da cultura. Ao utilizar modelos de deep learning treinados em conjuntos de dados como o Global Wheat Head Dataset, agricultores e pesquisadores podem monitorar e gerir melhor as colheitas, levando a uma maior produtividade e ao uso otimizado de recursos nas práticas agrícolas. Este avanço tecnológico apoia a agricultura sustentável e as iniciativas de segurança alimentar.

Para mais informações sobre as aplicações de IA na agricultura, visita IA na Agricultura.