Перейти к содержанию

Глобальный набор данных о головках пшеницы

Глобальный набор данных по головкам пшеницы - 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 пшеничной головки необходима для оценки здоровья, зрелости и потенциала урожая. Набор данных, созданный совместными усилиями девяти исследовательских институтов из семи стран, охватывает несколько регионов выращивания, чтобы модели хорошо обобщались в различных условиях.

Основные характеристики

  • Набор данных содержит более 3 000 учебных изображений из Европы (Франция, Великобритания, Швейцария) и Северной Америки (Канада).
  • В него входит около 1000 тестовых изображений из Австралии, Японии и Китая.
  • Изображения представляют собой снимки с открытых полей, отражающие естественную изменчивость внешнего вида головок пшеницы.
  • Аннотации включают ограничительные рамки пшеничной головы для поддержки задач обнаружения объектов.

Структура набора данных

Глобальный набор данных о головках пшеницы состоит из двух основных подмножеств:

  1. Обучающий набор: Этот поднабор содержит более 3 000 изображений из Европы и Северной Америки. Изображения помечены ограничительными рамками для голов пшеницы, что позволяет получить достоверные данные для обучения моделей обнаружения объектов.
  2. Тестовый набор: Этот поднабор состоит примерно из 1 000 изображений из Австралии, Японии и Китая. Эти изображения используются для оценки работы обученных моделей на невидимых генотипах, средах и условиях наблюдения.

Приложения

Глобальный набор данных по головкам пшеницы широко используется для обучения и оценки моделей глубокого обучения в задачах обнаружения головок пшеницы. Разнообразный набор изображений, отражающих широкий спектр внешности, среды и условий, делает эту базу данных ценным ресурсом для исследователей и практиков в области фенотипирования растений и управления посевами.

Набор данных YAML

Для определения конфигурации набора данных используется файл YAML (Yet Another Markup Language). Он содержит информацию о путях, классах и другую необходимую информацию о наборе данных. В случае с набором данных Global Wheat Head Dataset файл GlobalWheat2020.yaml файл хранится 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: ../datasets/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

Для обучения модели YOLO11n на наборе данных Global Wheat Head Dataset в течение 100 эпох при размере изображения 640 можно использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице обучения модели.

Пример поезда

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

Образцы данных и аннотации

Глобальный набор данных о головках пшеницы содержит разнообразные изображения открытых полей, отражающие естественную изменчивость внешнего вида головок пшеницы, среды и условий. Ниже приведены примеры данных из этого набора, а также соответствующие аннотации:

Образец изображения из набора данных

  • Обнаружение головок пшеницы: Это изображение демонстрирует пример обнаружения головок пшеницы, где головки пшеницы аннотированы ограничительными рамками. В наборе данных представлены разнообразные изображения, облегчающие разработку моделей для этой задачи.

Этот пример демонстрирует разнообразие и сложность данных в Глобальном наборе данных о головке пшеницы и подчеркивает важность точного определения головки пшеницы для применения в фенотипировании пшеницы и управлении посевами.

Цитаты и благодарности

Если вы используете данные Global Wheat Head Dataset в своих исследованиях или разработках, пожалуйста, ссылайтесь на следующий документ:

@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 поддержание Глобального набора данных о головке пшеницы как ценного ресурса для сообщества исследователей в области фенотипирования растений и управления посевами. Более подробную информацию о наборе данных и его создателях можно найти на сайте Global Wheat Head Dataset.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Для чего используется глобальный набор данных о головках пшеницы?

Набор данных Global Wheat Head Dataset используется в основном для разработки и обучения моделей глубокого обучения, направленных на обнаружение головок пшеницы. Это очень важно для приложений в области фенотипирования пшеницы и управления посевами, позволяя более точно оценивать плотность, размер и общий потенциал урожайности пшеницы. Точные методы обнаружения помогают оценить состояние и зрелость урожая, что необходимо для эффективного управления посевами.

Как обучить модель YOLO11n на глобальном наборе данных о головках пшеницы?

Чтобы обучить модель YOLO11n на глобальном наборе данных о головках пшеницы, вы можете использовать следующие фрагменты кода. Убедитесь, что у вас есть GlobalWheat2020.yaml файл конфигурации, указывающий пути к наборам данных и классы:

Пример поезда

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

Полный список доступных аргументов см. на странице обучения модели.

Каковы ключевые особенности глобального набора данных о головках пшеницы?

Основные характеристики глобального набора данных о головках пшеницы включают:

  • Более 3 000 учебных изображений из Европы (Франция, Великобритания, Швейцария) и Северной Америки (Канада).
  • Около 1 000 тестовых изображений из Австралии, Японии и Китая.
  • Высокая изменчивость внешнего вида головки пшеницы обусловлена различными условиями выращивания.
  • Подробные аннотации с ограничительными рамками для голов пшеницы для помощи моделям обнаружения объектов.

Эти особенности способствуют разработке надежных моделей, способных обобщать данные по нескольким регионам.

Где можно найти конфигурационный YAML-файл для глобального набора данных о головках пшеницы?

Конфигурационный YAML-файл для глобального набора данных о головках пшеницы с именем GlobalWheat2020.yamlдоступна на GitHub. Вы можете получить доступ к нему 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 других деталях конфигурации, необходимых для обучения модели в Ultralytics YOLO.

Почему обнаружение головни пшеницы важно для управления посевами?

Обнаружение пшеничной головки имеет решающее значение для управления сельскохозяйственными культурами, поскольку позволяет точно оценить плотность и размер пшеничной головки, что необходимо для оценки здоровья, зрелости и потенциала урожая. Используя модели глубокого обучения, обученные на таких наборах данных, как Global Wheat Head Dataset, фермеры и исследователи могут лучше контролировать и управлять посевами, что приведет к повышению производительности и оптимизации использования ресурсов в сельскохозяйственной практике. Этот технологический прогресс поддерживает инициативы по устойчивому развитию сельского хозяйства и продовольственной безопасности.

Более подробную информацию о применении искусственного интеллекта в сельском хозяйстве можно найти на сайте AI in Agriculture.



📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад
гленн-джохер УльтралитикаПомощник Мэтью Нойс РизванМунавар Laughing-q

Комментарии