Conjunto de Dados Global de Espigas de Trigo#
O Conjunto de Dados Global de Espigas de Trigo (GWHD) é um conjunto de dados de deteção de objetos de uma única classe para detetar espigas de trigo — as inflorescências que contêm os grãos da planta de trigo — em imagens de campos ao ar livre. Fornece 3 422 imagens de treino, 748 de validação e 1 276 de teste, capturadas em várias regiões de cultivo, e foi criado por uma colaboração entre nove institutos de investigação de sete países para que os modelos generalizem entre diferentes ambientes. A deteção precisa de espigas de trigo sustenta estimativas da densidade, do tamanho e do potencial de produtividade das espigas em fenotipagem de plantas e na gestão de culturas.
Principais funcionalidades#
- Imagens reais de campos ao ar livre que capturam a variabilidade natural na aparência, na iluminação e na fase de crescimento das espigas de trigo.
- Criado por nove institutos de investigação de sete países, abrangendo regiões de cultivo europeias, norte-americanas, asiáticas e australianas para uma forte generalização entre ambientes.
- Anotações de caixas delimitadoras para uma única classe,
wheat_head, prontas para pipelines de deteção de objetos e rastreamento. - As imagens de teste provêm de genótipos e regiões não observados durante o treino, proporcionando um verdadeiro benchmark de generalização.
Estrutura do Conjunto de Dados#
O Conjunto de Dados Global de Espigas de Trigo está organizado em três subconjuntos definidos pela configuração GlobalWheat2020.yaml, todos anotados com uma única classe, wheat_head:
| Divisão | Imagens | Regiões |
|---|---|---|
| Treinar | 3,422 | Europa (França, Reino Unido, Suíça), América do Norte (Canadá) |
| Validação | 748 | Suíça (ETH Zürich) |
| Teste | 1,276 | Austrália, Japão, China |
O conjunto de validação (748 imagens) é o subconjunto ethz_1, que também faz parte dos domínios de treino — por isso, as métricas de validação refletem o desempenho no domínio. O conjunto de teste separado da Austrália, do Japão e da China mede a generalização para ambientes não observados durante o treino.
Aplicações#
O Conjunto de Dados Global de Espigas de Trigo é amplamente utilizado para treinar e avaliar modelos de aprendizagem profunda para a deteção de espigas de trigo. As suas imagens diversificadas, abrangendo regiões, genótipos e condições diferentes, fazem dele um recurso valioso para a fenotipagem de plantas e a gestão de culturas — apoiando a estimativa de produtividade, a monitorização da saúde das culturas e a análise fenotípica.
Para anotar imagens de campos, treinar e gerir versões de conjuntos de dados no teu navegador, executa o fluxo de trabalho completo com a Ultralytics Platform.
YAML do Conjunto de Dados#
É utilizado um ficheiro YAML para definir a configuração do conjunto de dados. Este define os caminhos, as classes e outros detalhes de configuração do conjunto de dados. Para o Conjunto de Dados Global de Espigas de Trigo, 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 /annotationsUtilização#
Para treinar um modelo YOLO26n no Conjunto de Dados Global de Espigas de Trigo durante 100 épocas com um tamanho de imagem de 640, podes utilizar os seguintes trechos de código. O conjunto de dados (~7.0 GB) é transferido automaticamente na primeira utilização. Para consultar uma lista abrangente dos 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)Imagens de exemplo e anotações#
O Conjunto de Dados Global de Espigas de Trigo contém um conjunto diversificado de imagens de campos ao ar livre, capturando a variabilidade natural na aparência das espigas de trigo, nos ambientes e nas condições. Eis um exemplo de imagem do conjunto de dados, juntamente com as respetivas anotações:
- Deteção de Espigas de Trigo: As espigas de trigo são anotadas com caixas delimitadoras para deteção de objetos, abrangendo uma variedade de condições de campo que refletem a diversidade e a complexidade do conjunto de dados.
Citações e agradecimentos#
Se utilizares o Conjunto de Dados Global de Espigas de Trigo no teu trabalho de investigação ou desenvolvimento, 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 reconhecer os investigadores e as instituições que contribuíram para a criação e manutenção do Conjunto de Dados Global de Espigas de Trigo como um recurso valioso para a comunidade de investigação em fenotipagem de plantas e gestão de culturas. Para obteres mais informações sobre o conjunto de dados e os seus criadores, visita o site do Conjunto de Dados Global de Espigas de Trigo.
Perguntas frequentes#
O Conjunto de Dados Global de Espigas de Trigo é utilizado principalmente para desenvolver e treinar modelos de aprendizagem profunda destinados à deteção de espigas de trigo. Isto é essencial para aplicações de fenotipagem de trigo e gestão de culturas, permitindo estimativas mais precisas da densidade, do tamanho e do potencial geral de produtividade das espigas de trigo. Os métodos de deteção precisa ajudam a avaliar a saúde e a maturidade das culturas, essenciais para uma gestão eficiente das culturas.
O Conjunto de Dados Global de Espigas de Trigo tem uma única classe,
wheat_head, e está dividido em três subconjuntos: 3 422 imagens de treino, 748 imagens de validação e 1 276 imagens de teste. As imagens de treino e validação provêm da Europa e da América do Norte, enquanto o conjunto de teste é proveniente da Austrália, do Japão e da China para avaliar a generalização para ambientes não observados.Para treinar um modelo YOLO26n no Conjunto de Dados Global de Espigas de Trigo, podes utilizar os seguintes trechos de código. Certifica-te de que tens o ficheiro de configuração
GlobalWheat2020.yaml, que especifica os caminhos e as classes do conjunto de dados:Exemplo de treinofrom 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 consultar uma lista abrangente dos argumentos disponíveis, consulta a página de Treino do modelo.
O conjunto de dados (~7.0 GB) é transferido automaticamente na primeira vez que treinas com
data="GlobalWheat2020.yaml"— não é necessária qualquer etapa manual. A Ultralytics obtém as imagens e as etiquetas e descompacta-as no diretório local de conjuntos de dados. Podes consultar conjuntos de dados relacionados na visão geral dos conjuntos de dados de deteção.O ficheiro YAML de configuração do Conjunto de Dados Global de Espigas de Trigo, denominado
GlobalWheat2020.yaml, está disponível no GitHub. Podes aceder-lhe em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. Este ficheiro contém os caminhos, as classes e outros detalhes de configuração do conjunto de dados necessários para o treino de modelos no Ultralytics YOLO.A deteção de espigas de trigo é fundamental na gestão de culturas porque permite estimar com precisão a densidade e o tamanho das espigas de trigo, que são essenciais para avaliar a saúde, a maturidade e o potencial de produtividade das culturas. Ao utilizar modelos de aprendizagem profunda treinados em conjuntos de dados como o Conjunto de Dados Global de Espigas de Trigo, agricultores e investigadores podem monitorizar e gerir melhor as culturas, conduzindo a uma maior produtividade e a uma utilização otimizada dos recursos nas práticas agrícolas. Este avanço tecnológico apoia iniciativas de agricultura sustentável e de segurança alimentar.
Para obteres mais informações sobre aplicações de IA na agricultura, visita IA na Agricultura.