Link to this sectionGlobal Wheat Head Dataset#

Global Wheat Head Dataset (GWHD) — это одноклассовый набор данных для обнаружения объектов, предназначенный для детектирования колосьев пшеницы (зерносодержащих колосков пшеничного растения) на снимках с полей. Он содержит 3422 изображения для обучения, 748 для валидации и 1276 для тестирования, полученных в разных регионах выращивания. Набор был создан усилиями девяти исследовательских институтов из семи стран, чтобы модели могли обобщаться для различных условий. Точное обнаружение колосьев пшеницы является основой для оценки плотности колосьев, их размера и потенциальной урожайности в рамках фенотипирования растений и управления посевами.

Link to this sectionКлючевые 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 в виде ограничивающих прямоугольников для одного класса wheat_head, готовые для пайплайнов обнаружения объектов и отслеживания.
• Тестовые изображения получены из генотипов и регионов, не встречавшихся во время обучения, что обеспечивает надежный бенчмарк для проверки обобщающей способности.

Link to this sectionСтруктура набора данных#

Global Wheat Head Dataset организован в три подмножества, определенных конфигурацией GlobalWheat2020.yaml, и все они аннотированы одним классом wheat_head:

Link to this sectionПрименение#

Global Wheat Head Dataset широко используется для обучения и оценки моделей глубинного обучения для обнаружения колосьев пшеницы. Разнообразие изображений по регионам, генотипам и условиям делает его ценным ресурсом для фенотипирования растений и управления посевами, поддерживая оценку урожайности, мониторинг здоровья сельскохозяйственных культур и фенотипический анализ.

Чтобы аннотировать изображения полей, обучать модели и управлять версиями набора данных в браузере, используй полный рабочий процесс с Ultralytics Platform.

Link to this sectionYAML набора данных#

Файл YAML используется для определения конфигурации набора данных. В нем задаются пути к набору данных, классы и другие детали конфигурации. Для набора данных Global Wheat Head 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

Link to this sectionИспользование#

Чтобы обучить модель YOLO26n на наборе данных Global Wheat Head Dataset в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода. Набор данных (~7,0 ГБ) скачивается автоматически при первом использовании. Полный список доступных аргументов приведен на странице обучения моделей.

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 sectionПримеры 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 аннотированы ограничивающими прямоугольниками для обнаружения объектов в различных полевых условиях, что отражает разнообразие и сложность набора данных.

Link to this sectionЦитирование 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 хотим выразить признательность исследователям и институтам, которые внесли свой вклад в создание и поддержку Global Wheat Head Dataset как ценного ресурса для научного сообщества, занимающегося фенотипированием растений и управлением урожаем. Для получения дополнительной информации о наборе данных и его создателях посети веб-сайт Global Wheat Head Dataset.

Link to this sectionFAQ#

Link to this sectionДля чего используется Global Wheat Head Dataset?#

Global Wheat Head Dataset в основном используется для разработки и обучения моделей глубинного обучения, направленных на обнаружение колосьев пшеницы. Это критически важно для приложений в области фенотипирования пшеницы и управления посевами, позволяя точнее оценивать плотность колосьев, их размер и потенциальную урожайность в целом. Точные методы обнаружения помогают оценивать состояние здоровья и зрелость урожая, что необходимо для эффективного управления посевами.

Link to this sectionСколько изображений и классов содержится в Global Wheat Head Dataset?#

Global Wheat Head Dataset имеет один класс, wheat_head, и разделен на три подмножества: 3422 обучающих изображения, 748 валидационных и 1276 тестовых. Обучающие и валидационные изображения получены из Европы и Северной Америки, а тестовый набор — из Австралии, Японии и Китая, чтобы оценить обобщаемость на ранее не виденные условия.

Link to this sectionКак мне обучить модель YOLO26n на Global Wheat Head Dataset?#

Чтобы обучить модель YOLO26n на Global Wheat Head Dataset, ты можешь использовать следующие фрагменты кода. Убедись, что у тебя есть конфигурационный файл GlobalWheat2020.yaml, указывающий пути к набору данных и классы:

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)

Для получения полного списка доступных аргументов обратись к странице Обучение модели.

Link to this sectionКак скачать Global Wheat Head Dataset?#

Набор данных (~7,0 ГБ) скачивается автоматически при первом запуске обучения с параметром data="GlobalWheat2020.yaml" — никаких ручных действий не требуется. Ultralytics загружает изображения и разметку и распаковывает их в твою локальную директорию с наборами данных. Ты можешь просмотреть связанные наборы данных в обзоре наборов данных для детектирования.

Link to this sectionГде я могу найти YAML-файл конфигурации для Global Wheat Head Dataset?#

Конфигурационный YAML-файл для Global Wheat Head Dataset под названием GlobalWheat2020.yaml доступен на GitHub. Ты можешь найти его по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. Этот файл содержит пути к набору данных, классы и другие детали конфигурации, необходимые для обучения модели в Ultralytics YOLO.

Link to this sectionПочему детектирование колосьев пшеницы важно в управлении урожаем?#

Детекция колосьев пшеницы критически важна для управления посевами, так как она позволяет точно оценивать плотность и размер колосьев, что необходимо для анализа состояния здоровья, зрелости и потенциальной урожайности культур. Используя deep learning models, обученные на таких наборах данных, как Global Wheat Head Dataset, фермеры и исследователи могут лучше контролировать посевы и управлять ими, что ведет к повышению продуктивности и оптимизации использования ресурсов в сельском хозяйстве. Этот технологический прогресс поддерживает sustainable agriculture и инициативы по обеспечению продовольственной безопасности.

Для получения дополнительной информации о применении ИИ в сельском хозяйстве посети AI in Agriculture.