Глобальный набор данных о головках пшеницы

Global Wheat Head Dataset - это коллекция изображений, предназначенная для поддержки разработки точных моделей обнаружения пшеничных головок 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 важна 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

• В датасете содержится более 3 000 тренировочных изображений из Европы (Франция, Великобритания, Швейцария) и Северной Америки (Канада).
• В него входит около 1 000 тестовых изображений из Австралии, Японии и Китая.
• Снимки сделаны на открытом воздухе и отражают естественную изменчивость внешнего вида пшеничных головок.
• Аннотации включают ограничительные рамки пшеничной головы для поддержки задач по обнаружению объектов.

Структура набора данных

Глобальный датасет пшеничных головок разбит на два основных подмножества:

1. Тренировочный набор: В этом подмножестве содержится более 3 000 изображений из Европы и Северной Америки. Изображения помечены ограничительными рамками в виде головок пшеницы, что позволяет получить достоверные данные для обучения моделей обнаружения объектов.
2. Тестовый набор: Это подмножество состоит примерно из 1 000 изображений из Австралии, Японии и Китая. Эти изображения используются для оценки производительности обученных моделей на невидимых генотипах, средах и условиях наблюдения.

Приложения

Global Wheat Head Dataset широко используется для обучения и оценки моделей глубокого обучения в задачах обнаружения головок пшеницы. Разнообразный набор изображений, запечатлевших широкий спектр внешности, окружения 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 к набору данных, классах и другую необходимую информацию. В случае с набором данных Global Wheat Head Dataset это GlobalWheat2020.yaml файл хранится по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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 ultralytics.utils.downloads import download
  from pathlib import Path

  # 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 YOLOv8n на Global Wheat Head Dataset в течение 100 эпох при размере изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов ты найдешь на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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=yolov8n.pt epochs=100 imgsz=640

Образцы данных и аннотации

Глобальный набор данных о пшеничных головках содержит разнообразные снимки, сделанные на открытом воздухе и отражающие естественную изменчивость внешнего вида пшеничных головок, среды и условий. Вот несколько примеров данных из этого набора, а также соответствующие аннотации к ним:

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

Этот пример демонстрирует разнообразие и сложность данных в Global Wheat Head Dataset и подчеркивает важность точного определения пшеничной головки для применения в фенотипировании пшеницы и управлении посевами.

Цитаты и благодарности

Если ты используешь Global Wheat Head Dataset в своих исследованиях или разработках, пожалуйста, ссылайся 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 поддержание Global Wheat Head Dataset как ценного ресурса для сообщества исследователей фенотипирования растений и управления посевами. Чтобы узнать больше о наборе данных и его создателях, посети сайт Global Wheat Head Dataset.

ВОПРОСЫ И ОТВЕТЫ

Для чего используется глобальный набор данных о пшеничных головках?

Global Wheat Head Dataset в первую очередь используется 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 пшеничных головок. Точные методы обнаружения помогают оценить состояние и зрелость урожая, что очень важно для эффективного управления посевами.

Как обучить модель YOLOv8n на наборе данных Global Wheat Head Dataset?

Чтобы обучить модель YOLOv8n на наборе данных Global Wheat Head Dataset, ты можешь воспользоваться следующими фрагментами кода. Убедись, что у тебя есть GlobalWheat2020.yaml файл конфигурации, в котором указываются пути к наборам данных и классы:

from ultralytics import YOLO

# Load a pre-trained model (recommended for training)
model = YOLO("yolov8n.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=yolov8n.pt epochs=100 imgsz=640

Полный список доступных аргументов ты найдешь на странице обучения модели.

Каковы ключевые особенности глобального набора данных о головках пшеницы?

Ключевые особенности глобального набора данных о пшеничных головах включают в себя:

• Более 3 000 тренировочных изображений из Европы (Франция, Великобритания, Швейцария) и Северной Америки (Канада).
• Около 1 000 тестовых изображений из Австралии, Японии и Китая.
• Высокая вариативность появления головки пшеницы обусловлена различными условиями выращивания.
• Подробные аннотации с границами голов пшеницы помогают моделям обнаружения объектов.

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

Где я могу найти конфигурационный YAML-файл для Global Wheat Head Dataset?

Конфигурационный YAML-файл для глобального набора данных о головках пшеницы, названный GlobalWheat2020.yaml, доступна на GitHub. Ты можешь получить доступ к нему по этой ссылке ссылка. Этот файл содержит необходимую информацию о путях к датасетам, классах и других деталях конфигурации, необходимых для обучения модели в Ultralytics YOLO .

Почему обнаружение головки пшеницы важно для управления посевами?

Обнаружение пшеничной головки очень важно для управления сельскохозяйственными культурами, так как позволяет точно оценить плотность и размер пшеничной головки, что очень важно для оценки здоровья, зрелости и потенциала урожайности. Используя модели глубокого обучения, обученные на таких наборах данных, как Global Wheat Head Dataset, фермеры и исследователи смогут 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.

Больше информации о применении ИИ в сельском хозяйстве ты найдешь на сайте " ИИ в сельском хозяйстве".

Комментарии