Global Wheat Head Veri Kümesi#

Global Wheat Head Dataset (GWHD), dış mekan tarla görüntü üzerindeki buğday başaklarını — buğday bitkisinin tane taşıyan başaklarını — tespit etmek için tek sınıflı bir nesne tespiti veri setidir. Modellerin farklı ortamlarda genelleme yapabilmesi amacıyla yedi ülkedeki dokuz araştırma enstitüsünün iş birliğiyle oluşturulmuştur ve birden fazla yetiştirme bölgesinde çekilmiş 3.422 eğitim, 748 doğrulama ve 1.276 test görüntüsü sunar. Doğru buğday başak tespiti, bitki fenotiplemesi ve mahsul yönetiminde başak yoğunluğu, boyutu ve verim potansiyeli tahminlerinin temelini oluşturur.

Temel Özellikler#

• Buğday başağı görünümü, aydınlatma ve büyüme evresindeki doğal değişkenliği yakalayan gerçek açık alan tarla görüntüleri.
• Güçlü bir çapraz ortam genellemesi için Avrupa, Kuzey Amerika, Asya ve Avustralya yetiştirme bölgelerini kapsayan, yedi ülkeden dokuz araştırma enstitüsü tarafından oluşturulmuştur.
• Nesne tespiti ve takip işlem hatları için hazır, tek bir sınıf olan wheat_head için sınırlayıcı kutu (bounding-box) etiketleri.
• Test görüntüleri, eğitim sırasında görülmeyen genotiplerden ve bölgelerden gelir, bu da gerçek bir genelleme kıyaslaması sağlar.

Veri Kümesi Yapısı#

Global Wheat Head Dataset, tümü tek bir sınıf (wheat_head) ile etiketlenmiş olan ve GlobalWheat2020.yaml yapılandırması tarafından tanımlanan üç alt sete ayrılmıştır:

Uygulamalar#

Global Wheat Head Dataset, buğday başağı tespiti için derin öğrenme modellerini eğitmek ve değerlendirmek amacıyla yaygın olarak kullanılmaktadır. Bölgeler, genotipler ve koşullar genelindeki çeşitli görüntüleri; verim tahmini, mahsul sağlığı izleme ve fenotipik analizi destekleyerek bitki fenotiplemesi ve mahsul yönetimi için değerli bir kaynak haline getirmektedir.

Tarla görüntülerini etiketlemek, modelleri eğitmek ve veri seti sürümlerini tarayıcınızda yönetmek için tam iş akışını Ultralytics Platform ile çalıştırın.

Veri Kümesi YAML#

Veri seti yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Dosya, veri setinin yollarını, sınıflarını ve diğer yapılandırma detaylarını tanımlar. Global Wheat Head Dataset için GlobalWheat2020.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml adresinde barındırılmaktadır.

# 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

Kullanım#

Global Wheat Head Dataset üzerinde 640 görüntü boyutuyla 100 dönem (epoch) boyunca bir YOLO26n modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Veri seti (~7,0 GB) ilk kullanımda otomatik olarak indirilir. Mevcut argümanların kapsamlı bir listesi için modelin Eğitim (Training) sayfasına göz atabilirsin.

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)

Örnek Görüntüler ve Ek Açıklamalar#

Global Wheat Head Dataset, buğday başağı görünümlerindeki, ortamlardaki ve koşullardaki doğal değişkenliği yakalayan çeşitli açık alan tarla görüntüleri içerir. İşte veri kümesinden örnek bir görüntü ve karşılık gelen etiketleri:

• Buğday Başaği Tespiti: Buğday başakları, veri setinin çeşitliliğini ve karmaşıklığını yansıtan çeşitli tarla koşullarında, nesne tespiti için sınırlayıcı kutularla etiketlenmiştir.

Alıntılar ve Teşekkür#

Global Wheat Head Veri Kümesi'ni araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen şu makaleye atıfta bulun:

@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}
}

Bitki fenotiplemesi ve mahsul yönetimi araştırma topluluğu için değerli bir kaynak olan Global Wheat Head Dataset'in oluşturulmasına ve bakımına katkıda bulunan araştırmacılara ve kurumlara teşekkür ederiz. Veri seti ve yaratıcıları hakkında daha fazla bilgi edinmek için Global Wheat Head Dataset web sitesini ziyaret edebilirsin.

SSS#