Global Wheat Head Dataset#

Набор данных Global Wheat Head Dataset (GWHD) представляет собой одноклассный набор данных для обнаружения объектов, предназначенный для поиска колосков пшеницы (несущих зерно колосьев пшеницы) на снимках полей на открытом воздухе. Он содержит 3422 изображения для обучения, 748 для валидации и 1276 тестовых изображений, собранных в различных регионах выращивания, и был создан совместными усилиями девяти научно-исследовательских институтов из семи стран, чтобы модели обобщались в различных условиях. Точное обнаружение колосьев пшеницы лежит в основе оценки плотности, размера и потенциальной урожайности колосьев при фенотипировании растений и управлении посевами.

Ключевые особенности#

• Реальные снимки с полей, фиксирующие естественную изменчивость внешнего вида колосьев пшеницы, освещения и стадии роста.
• Создан девятью исследовательскими институтами из семи стран, охватывающими регионы выращивания в Европе, Северной Америке, Азии и Австралии для надежной кросс-средовой обобщаемости.
• Аннотации ограничивающих прямоугольников ( bounding-box) для одного класса, wheat_head, подготовленные для конвейеров обнаружения объектов и трекинга.
• Тестовые изображения получены из генотипов и регионов, не встречавшихся во время обучения, что обеспечивает надежный бенчмарк для проверки обобщающей способности.

Структура набора данных#

Набор данных Global Wheat Head Dataset организован в виде трех подмножеств, определяемых конфигурацией GlobalWheat2020.yaml, все из которых размечены с использованием одного класса wheat_head:

Применение#

Набор данных Global Wheat Head Dataset широко используется для обучения и оценки моделей глубокого обучения для обнаружения колосьев пшеницы. Разнообразие изображений в зависимости от регионов, генотипов и условий делает его ценным ресурсом для фенотипирования растений и управления урожаем, поддерживая оценку урожайности, мониторинг здоровья посевов и фенотипический анализ.

Чтобы аннотировать изображения полей, обучать модели и управлять версиями наборов данных прямо в браузере, запустите полный рабочий процесс с помощью Ultralytics Platform.

YAML набора данных#

YAML-файл используется для определения конфигурации набора данных. В нем задаются пути к набору данных, классы и другие детали конфигурации. Для Global Wheat Head Dataset файл GlobalWheat2020.yaml поддерживается по адресу 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

Использование#

Чтобы обучить модель YOLO26n на наборе данных Global Wheat Head Dataset в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Набор данных (~7.0 ГБ) скачивается автоматически при первом использовании. Полный список доступных аргументов см. на странице модели Обучение.

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)

Примеры изображений и аннотации#

Global Wheat Head Dataset содержит разнообразный набор снимков с полей, отражающий естественную изменчивость внешнего вида колосьев, сред и условий. Ниже представлен пример изображения из набора данных вместе с соответствующими аннотациями:

• Обнаружение колосьев пшеницы: Колосья пшеницы размечены ограничивающими прямоугольниками для обнаружения объектов в различных полевых условиях, отражающих разнообразие и сложность набора данных.

Цитирование и благодарности#

Если ты используешь Global Wheat Head Dataset в своей исследовательской или разработческой работе, пожалуйста, сошлись на следующую статью:

@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}
}

Мы хотели бы выразить признательность исследователям и учреждениям, которые внесли свой вклад в создание и поддержку набора данных Global Wheat Head Dataset в качестве ценного ресурса для исследовательского сообщества, занимающегося фенотипированием растений и управлением сельским хозяйством. Дополнительную информацию о наборе данных и его создателях можно найти на сайте Global Wheat Head Dataset.

FAQ#