Перейти к содержанию

Глобальный набор данных головок пшеницы (Global Wheat Head Dataset)

Глобальный набор данных головок пшеницы (Global Wheat Head Dataset) — это коллекция изображений, предназначенная для поддержки разработки точных моделей обнаружения головок пшеницы для применения в фенотипировании пшеницы и управлении посевами. Головки пшеницы, также известные как колосья, являются зерноносными частями растения пшеницы. Точная оценка плотности и размера головок пшеницы необходима для оценки здоровья посевов, зрелости и потенциальной урожайности. Набор данных, созданный в результате сотрудничества девяти научно-исследовательских институтов из семи стран, охватывает несколько регионов выращивания, чтобы обеспечить хорошую обобщаемость моделей в различных средах.

Основные характеристики

  • Набор данных содержит более 3000 обучающих изображений из Европы (Франция, Великобритания, Швейцария) и Северной Америки (Канада).
  • Он включает в себя примерно 1000 тестовых изображений из Австралии, Японии и Китая.
  • Изображения представляют собой фотографии полей на открытом воздухе, отражающие естественную изменчивость внешнего вида колосьев пшеницы.
  • Аннотации включают ограничивающие рамки вокруг головок пшеницы для поддержки задач обнаружения объектов.

Структура набора данных

Набор данных Global Wheat Head Dataset организован в два основных подмножества:

  1. Обучающий набор: этот поднабор содержит более 3000 изображений из Европы и Северной Америки. Изображения помечены ограничивающими рамками колосьев пшеницы, предоставляя достоверные данные для обучения моделей обнаружения объектов.
  2. Тестовый набор: этот поднабор состоит примерно из 1000 изображений из Австралии, Японии и Китая. Эти изображения используются для оценки производительности обученных моделей на невидимых генотипах, средах и условиях наблюдения.

Приложения

Набор данных Global Wheat Head широко используется для обучения и оценки моделей глубокого обучения в задачах обнаружения колосьев пшеницы. Разнообразный набор изображений в наборе данных, охватывающий широкий спектр внешнего вида, сред и условий, делает его ценным ресурсом для исследователей и практиков в области фенотипирования растений и управления посевами.

YAML-файл набора данных

Файл YAML (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях к набору данных, классах и другую релевантную информацию. В случае набора данных Global Wheat Head, GlobalWheat2020.yaml файл поддерживается по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml.

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 YOLO11n на наборе данных Global Wheat Head в течение 100 эпох с размером изображения 640, вы можете использовать следующие фрагменты кода. Для получения полного списка доступных аргументов обратитесь к странице Обучение модели.

Пример обучения

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=GlobalWheat2020.yaml model=yolo11n.pt epochs=100 imgsz=640

Примеры данных и аннотации

Глобальный датасет пшеничных колосьев (Global Wheat Head Dataset) содержит разнообразный набор изображений полей, снятых на открытом воздухе, отражающих естественную изменчивость внешнего вида пшеничных колосьев, окружающей среды и условий. Вот несколько примеров данных из этого датасета с соответствующими аннотациями:

Образец изображения набора данных

  • Обнаружение пшеничных колосьев: На этом изображении показан пример обнаружения пшеничных колосьев, где колосья аннотированы ограничивающими рамками. Датасет предоставляет множество изображений для облегчения разработки моделей для этой задачи.

Этот пример демонстрирует разнообразие и сложность данных в Global Wheat Head Dataset и подчеркивает важность точного обнаружения пшеничных колосьев для применения в фенотипировании пшеницы и управлении посевами.

Цитирование и благодарности

Если вы используете Global Wheat Head Dataset в своих исследованиях или разработках, пожалуйста, сошлитесь 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 Global Wheat Head Dataset в качестве ценного ресурса для сообщества, занимающегося фенотипированием растений и исследованиями в области управления посевами. Для получения дополнительной информации о наборе данных и его создателях посетите веб-сайт Global Wheat Head Dataset.

Часто задаваемые вопросы

Для чего используется набор данных Global Wheat Head Dataset?

Набор данных Global Wheat Head в основном используется для разработки и обучения моделей глубокого обучения, предназначенных для обнаружения колосьев пшеницы. Это имеет решающее значение для применения в фенотипировании пшеницы и управлении посевами, позволяя более точно оценивать плотность колосьев пшеницы, размер и общий потенциал урожайности. Точные методы обнаружения помогают в оценке здоровья и зрелости сельскохозяйственных культур, что необходимо для эффективного управления посевами.

Как обучить модель YOLO11n на наборе данных Global Wheat Head Dataset?

Чтобы обучить модель YOLO11n на наборе данных Global Wheat Head Dataset, вы можете использовать следующие фрагменты кода. Убедитесь, что у вас есть GlobalWheat2020.yaml файл конфигурации, определяющий пути к набору данных и классы:

Пример обучения

from ultralytics import YOLO

# Load a pre-trained model (recommended for training)
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=GlobalWheat2020.yaml model=yolo11n.pt epochs=100 imgsz=640

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

Каковы основные характеристики набора данных Global Wheat Head Dataset?

Ключевые особенности набора данных Global Wheat Head Dataset включают:

  • Более 3000 обучающих изображений из Европы (Франция, Великобритания, Швейцария) и Северной Америки (Канада).
  • Приблизительно 1000 тестовых изображений из Австралии, Японии и Китая.
  • Высокая изменчивость внешнего вида колосьев пшеницы из-за различных условий выращивания.
  • Подробные аннотации с ограничивающими рамками колосьев пшеницы для помощи моделям обнаружения объектов.

Эти функции облегчают разработку надежных моделей, способных к обобщению в нескольких регионах.

Где я могу найти файл YAML конфигурации для набора данных Global Wheat Head Dataset?

Файл YAML конфигурации для набора данных Global Wheat Head, названный GlobalWheat2020.yaml, доступен на GitHub. Вы можете 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, необходимые для обучения модели в Ultralytics YOLO.

Почему обнаружение колоса пшеницы важно в управлении посевами?

Обнаружение колосьев пшеницы имеет решающее значение в управлении посевами, поскольку позволяет точно оценить плотность и размер колосьев пшеницы, которые необходимы для оценки здоровья, зрелости и потенциальной урожайности сельскохозяйственных культур. Используя модели глубокого обучения, обученные на наборах данных, таких как Global Wheat Head Dataset, фермеры и исследователи могут лучше отслеживать и управлять посевами, что приводит к повышению производительности и оптимизации использования ресурсов в сельскохозяйственной практике. Этот технологический прогресс поддерживает устойчивое сельское хозяйство и инициативы по обеспечению продовольственной безопасности.

Для получения дополнительной информации о применении ИИ в сельском хозяйстве посетите страницу ИИ в сельском хозяйстве.



📅 Создано 1 год назад ✏️ Обновлено 3 месяца назад
glenn-jocher UltralyticsAssistant MatthewNoyce RizwanMunawar Laughing-q

Комментарии