Link to this sectionConjunto de Dados de Cabeças de Trigo Global#

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

Link to this sectionPrincipais recursos#

• O conjunto de dados contém mais de 3.000 imagens de treino 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 imagens de campo ao ar livre, que captam a variabilidade natural na aparência das cabeças de trigo.
• As anotações incluem BBox de cabeças de trigo para dar suporte a tarefas de detecção de objetos.

Link to this sectionEstrutura do Dataset#

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

1. Conjunto de Treino: Este subconjunto contém mais de 3.000 imagens da Europa e da América do Norte. As imagens estão etiquetadas com caixas delimitadoras de cabeças de trigo, fornecendo a verdade básica para o treino de modelos de deteção de objetos.
2. Conjunto de Teste: Este subconjunto consiste em aproximadamente 1.000 imagens da Austrália, Japão e China. Estas imagens são utilizadas para avaliar o desempenho de modelos treinados em genótipos, ambientes e condições de observação nunca antes vistos.

Link to this sectionAplicações#

O Global Wheat Head Dataset é amplamente utilizado para treinar e avaliar modelos de deep learning em tarefas de deteção de cabeças de trigo. O conjunto diversificado de imagens do conjunto de dados, que capta uma vasta gama de aparências, ambientes e condições, torna-o um recurso valioso para investigadores e profissionais na área da fenotipagem de plantas e gestão de culturas.

Link to this sectionYAML do Dataset#

Um ficheiro YAML (Yet Another Markup Language) é utilizado para definir a configuração do conjunto de dados. Contém informações sobre os caminhos do conjunto de dados, classes e outras informações relevantes. No caso do Global Wheat Head Dataset, o ficheiro 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

Link to this sectionUso#

Para treinar um modelo YOLO26n no Global Wheat Head Dataset durante 100 épocas com um tamanho de imagem de 640, podes utilizar os seguintes fragmentos de código. Para uma lista completa de argumentos disponíveis, consulta a página de Treino 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)

Link to this sectionDados de Amostra e Anotações#

O Global Wheat Head Dataset contém um conjunto diversificado de imagens de campo ao ar livre, captando a variabilidade natural na aparência, ambientes e condições das cabeças de trigo. Eis alguns exemplos de dados do conjunto, juntamente com as suas respetivas anotações:

• Deteção de Cabeças de Trigo: Esta imagem demonstra um exemplo de deteção de cabeças de trigo, onde as cabeças 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 complexidade dos dados no Global Wheat Head Dataset e destaca a importância da deteção precisa de cabeças de trigo para aplicações em fenotipagem de trigo e gestão de culturas.

Link to this sectionCitações e Agradecimentos#

Se utilizares o Global Wheat Head Dataset no teu trabalho de investigação 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 investigadores e instituições que contribuíram para a criação e manutenção do Global Wheat Head Dataset como um recurso valioso para a comunidade de investigação em fenotipagem de plantas e gestão de culturas. Para mais informações sobre o conjunto de dados e os seus criadores, visita o website do Global Wheat Head Dataset.

Link to this sectionFAQ#

Link to this sectionPara que é utilizado o Global Wheat Head Dataset?#

O Global Wheat Head Dataset é utilizado principalmente para desenvolver e treinar modelos de deep learning destinados à deteção de cabeças de trigo. Isto é crucial para aplicações em fenotipagem de trigo e gestão de culturas, permitindo estimativas mais precisas da densidade das cabeças de trigo, do seu tamanho e do potencial geral de rendimento da cultura. Métodos de deteção precisos ajudam a avaliar a saúde e a maturação das culturas, o que é essencial para uma gestão eficiente das mesmas.

Link to this sectionComo posso treinar um modelo YOLO26n no Global Wheat Head Dataset?#

Para treinar um modelo YOLO26n no Global Wheat Head Dataset, podes utilizar os seguintes fragmentos de código. Certifica-te de que tens o ficheiro de configuração GlobalWheat2020.yaml que especifica os caminhos e 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 completa de argumentos disponíveis, consulta a página de Treino do modelo.

Link to this sectionQuais são as principais características do Global Wheat Head Dataset?#

As principais características do Global Wheat Head Dataset incluem:

• Mais de 3.000 imagens de treino da Europa (França, Reino Unido, Suíça) e da América do Norte (Canadá).
• Aproximadamente 1.000 imagens de teste da Austrália, Japão e China.
• Elevada variabilidade na aparência das cabeças de trigo devido a diferentes ambientes de cultivo.
• Anotações detalhadas com BBox de cabeças de trigo para auxiliar modelos de detecção de objetos.

Estas características facilitam o desenvolvimento de modelos robustos capazes de generalizar entre múltiplas regiões.

Link to this sectionOnde posso encontrar o ficheiro YAML de configuração para o Global Wheat Head Dataset?#

O arquivo de configuração YAML 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 informações necessárias sobre caminhos do conjunto de dados, classes e outros detalhes de configuração necessários para o treinamento de modelos no Ultralytics YOLO.

Link to this sectionPorque é que a deteção de cabeças de trigo é importante na gestão de culturas?#

A detecção de cabeças de trigo é crítica no manejo de culturas porque permite a estimativa precisa da densidade e do tamanho das cabeças de trigo, que são essenciais para avaliar a saúde, maturidade e potencial de produtividade da cultura. Ao aproveitar modelos de deep learning treinados em conjuntos de dados como o Global Wheat Head Dataset, agricultores e pesquisadores podem monitorar e gerenciar melhor as culturas, levando a uma produtividade aprimorada e ao uso otimizado de recursos em práticas agrícolas. Este avanço tecnológico apoia iniciativas de agricultura sustentável e segurança alimentar.

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