Link to this sectionGlobal Wheat Head Dataset#

Global Wheat Head Dataset — это коллекция изображений, созданная для поддержки разработки точных моделей детектирования колосьев пшеницы для задач фенотипирования пшеницы и управления урожаем. Колосья пшеницы, также известные как соцветия, являются зерносодержащими частями пшеницы. Точная оценка плотности и размера колосьев важна для определения здоровья посевов, их зрелости и потенциальной урожайности. Набор данных, созданный в результате сотрудничества девяти исследовательских институтов из семи стран, охватывает несколько регионов выращивания, чтобы гарантировать, что модели будут хорошо работать в различных условиях.

Link to this sectionКлючевые особенности#

• Набор данных содержит более 3000 обучающих изображений из Европы (Франция, Великобритания, Швейцария) и Северной Америки (Канада).
• Он включает около 1000 тестовых изображений из Австралии, Японии и Китая.
• Изображения представляют собой фотографии с полей, снятые на открытом воздухе, что отражает естественную изменчивость внешнего вида колосьев пшеницы.
• Аннотации включают ограничивающие рамки (bounding boxes) колосьев для поддержки задач детектирования объектов.

Link to this sectionСтруктура набора данных#

Global Wheat Head Dataset разделен на два основных подмножества:

1. Обучающая выборка: Это подмножество содержит более 3000 изображений из Европы и Северной Америки. Изображения размечены ограничивающими рамками колосьев, предоставляя эталонные данные (ground truth) для обучения моделей детектирования объектов.
2. Тестовая выборка: Это подмножество состоит из примерно 1000 изображений из Австралии, Японии и Китая. Эти изображения используются для оценки производительности обученных моделей на новых генотипах, в различных средах и условиях наблюдения.

Link to this sectionПрименение#

Global Wheat Head Dataset широко используется для обучения и оценки моделей глубинного обучения в задачах детектирования колосьев пшеницы. Разнообразие изображений в наборе данных, охватывающее широкий спектр внешних видов, сред и условий, делает его ценным ресурсом для исследователей и практиков в области фенотипирования растений и управления урожаем.

Link to this sectionYAML набора данных#

Для определения конфигурации набора данных используется YAML-файл. Он содержит информацию о путях к данным, классах и другую соответствующую информацию. В случае с Global Wheat Head Dataset файл GlobalWheat2020.yaml находится 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, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов смотри на странице Обучение модели.

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 данных и разметки#

Global Wheat Head Dataset содержит разнообразные полевые изображения, снятые на открытом воздухе, которые фиксируют естественную вариативность внешнего вида колосьев, сред и условий. Вот несколько примеров данных из набора вместе с соответствующими аннотациями:

• Детектирование колосьев пшеницы: На этом изображении показан пример детектирования колосьев, где колосья отмечены ограничивающими рамками. Набор данных предоставляет множество изображений для упрощения разработки моделей для этой задачи.

Этот пример демонстрирует разнообразие и сложность данных в Global Wheat Head Dataset и подчеркивает важность точного детектирования колосьев для приложений в области фенотипирования пшеницы и управления урожаем.

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 детектирование колосьев пшеницы. Это критически важно для приложений в области фенотипирования пшеницы и управления урожаем, что позволяет более точно оценивать плотность колосьев, их размер и потенциальную урожайность. Точные методы детектирования помогают в оценке здоровья посевов и их зрелости, что необходимо для эффективного управления урожаем.

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 sectionКаковы ключевые особенности Global Wheat Head Dataset?#

Ключевые особенности Global Wheat Head Dataset включают:

• Более 3000 обучающих изображений из Европы (Франция, Великобритания, Швейцария) и Северной Америки (Канада).
• Примерно 1000 тестовых изображений из Австралии, Японии и Китая.
• Высокая вариативность внешнего вида колосьев из-за различных условий выращивания.
• Detailed annotations with wheat head bounding boxes to aid object detection models.

Эти особенности способствуют разработке надежных моделей, способных к обобщению в различных регионах.

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 получить к нему доступ по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. Этот файл содержит необходимую информацию о путях к набору данных, классах и другие детали конфигурации, требуемые для обучения моделей в Ultralytics YOLO.

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

Детектирование колосьев пшеницы критически важно в управлении урожаем, поскольку оно обеспечивает точную оценку плотности и размера колосьев, что необходимо для оценки здоровья посевов, зрелости и потенциальной урожайности. Используя модели глубинного обучения, обученные на таких наборах данных, как Global Wheat Head Dataset, фермеры и исследователи могут лучше контролировать и управлять посевами, что ведет к повышению продуктивности и оптимизации использования ресурсов в сельском хозяйстве. Это технологическое достижение поддерживает инициативы в области устойчивого сельского хозяйства и продовольственной безопасности.

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