Başla

Küresel Buğday Başağı Veri Kümesi

Küresel Buğday Başağı Veri Kümesi (GWHD), açık hava tarla görüntülerinde buğday bitkisinin tane taşıyan başakları olan buğday başaklarını algılamak için tek sınıflı bir nesne algılama veri kümesidir. Birden fazla yetiştirme bölgesinde çekilmiş 3.422 eğitim, 748 doğrulama ve 1.276 test görüntüsü sunar. Modellerin farklı ortamlara genelleme yapabilmesi için yedi ülkeden dokuz araştırma enstitüsünün iş birliğiyle oluşturulmuştur. Buğday başaklarının doğru algılanması, bitki fenotipleme ve ürün yönetiminde başak yoğunluğu, boyutu ve verim potansiyeli tahminlerinin temelini oluşturur.

Temel Özellikler#

  • Buğday başaklarının görünümündeki, aydınlatmadaki ve büyüme evresindeki doğal değişkenliği yansıtan gerçek dış mekân tarla görüntüleri.
  • Farklı ortamlara güçlü genelleme sağlamak için Avrupa, Kuzey Amerika, Asya ve Avustralya'daki yetiştirme bölgelerini kapsayan yedi ülkeden dokuz araştırma enstitüsü tarafından oluşturulmuştur.
  • Nesne algılama ve izleme iş akışlarında kullanıma hazır, tek bir sınıf olan wheat_head için sınırlayıcı kutu ek açıklamaları.
  • Test görüntüleri, eğitim sırasında görülmemiş genotiplerden ve bölgelerden gelir; böylece gerçek bir genelleme kıyaslaması sunar.

Veri Kümesi Yapısı#

Küresel Buğday Başağı Veri Kümesi, GlobalWheat2020.yaml yapılandırmasında tanımlanan üç alt kümeye ayrılmıştır; tüm görüntüler tek bir sınıfla, wheat_head ile etiketlenmiştir:

BölümGörüntülerBölgeler
Eğit3,422Avrupa (Fransa, Birleşik Krallık, İsviçre), Kuzey Amerika (Kanada)
Doğrulama748İsviçre (ETH Zürich)
Test1,276Avustralya, Japonya, Çin
Doğrulama bölümü

Doğrulama kümesi (748 görüntü), eğitim kümesine de dahil olan ethz_1 alt kümesidir; bu nedenle doğrulama metrikleri, modelin eğitim sırasında gördüğü görüntüler üzerinden hesaplanır. Avustralya, Japonya ve Çin'den alınan ayrılmış test kümesi, modelin eğitimde görmediği ortamlara genelleme performansını ölçer.

Uygulamalar#

Global Wheat Head Dataset, buğday başağı algılama için derin öğrenme modellerini eğitmek ve değerlendirmek üzere yaygın biçimde kullanılır. Bölgeler, genotipler ve koşullar arasında çeşitlilik gösteren görüntüleri, bu veri kümesini bitki fenotiplemesi ve ürün yönetimi için değerli bir kaynak hâline getirir; verim tahminini, ürün sağlığının izlenmesini ve fenotip analizini destekler.

Tarla görüntülerini tarayıcında etiketlemek, eğitim yapmak ve veri kümesi sürümlerini yönetmek için tüm iş akışını Ultralytics Platform ile yürüt.

Veri Kümesi YAML Dosyası#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yollarını, sınıflarını ve diğer yapılandırma ayrıntılarını tanımlar. Global Wheat Head Dataset için GlobalWheat2020.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml konumunda tutulur.

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

Kullanım#

Global Wheat Head Veri Kümesinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Veri kümesi (~7,0 GB) ilk kullanımda otomatik olarak indirilir.

Eğitim Örneği
from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

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

Örnek Görüntüler ve Ek Açıklamalar#

Global Wheat Head Dataset, buğday başaklarının görünümündeki, ortamlardaki ve koşullardaki doğal değişkenliği yansıtan, açık arazilerde çekilmiş çeşitli görüntüler içerir. Aşağıda, veri kümesinden örnek bir görüntü ve buna karşılık gelen etiketler yer alıyor:

Buğday başağı tespitini gösteren Global Wheat veri kümesi örneği

  • Buğday Başağı Algılama: Veri kümesinin çeşitliliğini ve karmaşıklığını yansıtan farklı tarla koşullarında, nesne algılama için buğday başakları sınırlayıcı kutularla etiketlenmiştir.

Atıflar ve Teşekkürler#

Global Wheat Head Dataset'i araştırma veya geliştirme çalışmalarında kullanırsan lütfen aşağıdaki makaleye atıfta bulun:

Atıf
@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 ürün yönetimi araştırma topluluğu için değerli bir kaynak olan Global Wheat Head Dataset'in oluşturulmasına ve sürdürülmesine katkıda bulunan araştırmacılara ve kurumlara teşekkür ederiz. Veri kümesi ve oluşturucuları hakkında daha fazla bilgi için Global Wheat Head Dataset web sitesini ziyaret et.

Sık Sorulan Sorular#

  • Global Wheat Head Dataset, öncelikli olarak buğday başağı algılamayı amaçlayan derin öğrenme modelleri geliştirmek ve eğitmek için kullanılır. Bu, buğday fenotiplemesi ve ürün yönetimi uygulamaları açısından kritik öneme sahiptir; bu sayede buğday başağı yoğunluğu, boyutu ve genel ürün verim potansiyeli daha doğru tahmin edilebilir. Doğru algılama yöntemleri, verimli ürün yönetimi için gerekli olan ürün sağlığını ve olgunluğunu değerlendirmeye yardımcı olur.

  • Global Wheat Head Dataset tek bir sınıfa, wheat_head, sahiptir ve üç alt kümeye ayrılmıştır: 3.422 eğitim görüntüsü, 748 doğrulama görüntüsü ve 1.276 test görüntüsü. Eğitim ve doğrulama görüntüleri Avrupa ve Kuzey Amerika'dan gelirken test kümesi, görülmemiş ortamlara genellemeyi değerlendirmek için Avustralya, Japonya ve Çin'den alınmıştır.

  • Global Wheat Head Dataset üzerinde YOLO26n modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Veri kümesi yollarını ve sınıflarını belirten GlobalWheat2020.yaml yapılandırma dosyasının bulunduğundan emin ol:

    Eğitim Örneği
    from ultralytics import YOLO
    
    # Önceden eğitilmiş bir modeli yükle (eğitim için önerilir)
    model = YOLO("yolo26n.pt")
    
    # Modeli eğit
    results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)
  • Veri kümesi (~7.0 GB), data="GlobalWheat2020.yaml" ile ilk kez eğitim yaptığında otomatik olarak indirilir; elle herhangi bir işlem yapman gerekmez. Ultralytics görüntüleri ve etiketleri alır, ardından bunları yerel veri kümeleri dizinine açar. İlgili veri kümelerine tespit veri kümeleri genel bakışında göz atabilirsin.

  • Global Wheat Head Dataset için GlobalWheat2020.yaml adlı yapılandırma YAML dosyası GitHub'da bulunur. Dosyaya https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml adresinden erişebilirsin. Bu dosya, Ultralytics YOLO ile model eğitimi için gereken veri kümesi yollarını, sınıfları ve diğer yapılandırma ayrıntılarını içerir.

  • Buğday başağı algılama, ürün sağlığını, olgunluğunu ve verim potansiyelini değerlendirmek için gerekli olan buğday başağı yoğunluğu ve boyutunun doğru tahmin edilmesini sağladığından ürün yönetiminde kritik öneme sahiptir. Global Wheat Head Dataset gibi veri kümeleriyle eğitilmiş derin öğrenme modellerini kullanan çiftçiler ve araştırmacılar, ürünleri daha iyi izleyip yöneterek tarımsal üretkenliği artırabilir ve kaynak kullanımını optimize edebilir. Aynı modeller, sürdürülebilir tarım ve gıda güvenliği girişimlerini destekleyen gerçek zamanlı ürün sağlığı izlemesini de sağlar.

    Yapay zekânın tarımdaki uygulamaları hakkında daha fazla bilgi için Tarımda Yapay Zekâ sayfasını ziyaret et.

Yorumlar

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.