Küresel Buğday Başı Veri Seti

Küresel Buğday Başağı Veri Seti, buğday fenotipleme ve mahsul yönetimindeki uygulamalar için doğru buğday başı tespit modellerinin geliştirilmesini desteklemek üzere tasarlanmış bir görüntü koleksiyonudur. Başak olarak da bilinen buğday başakları, buğday bitkisinin tane taşıyan kısımlarıdır. Buğday başağı yoğunluğu ve boyutunun doğru tahmin edilmesi, mahsul sağlığı, olgunluk ve verim potansiyelinin değerlendirilmesi için çok önemlidir. Yedi ülkeden dokuz araştırma enstitüsünün işbirliğiyle oluşturulan veri seti, modellerin farklı ortamlarda iyi bir şekilde genelleştirilmesini sağlamak için birden fazla yetiştirme bölgesini kapsamaktadır.

Temel Özellikler

• Veri kümesi Avrupa (Fransa, İngiltere, İsviçre) ve Kuzey Amerika'dan (Kanada) 3.000'in üzerinde eğitim görüntüsü içermektedir.
• Avustralya, Japonya ve Çin'den yaklaşık 1.000 test görüntüsü içermektedir.
• Görüntüler, buğday başağı görünümlerindeki doğal değişkenliği yakalayan dış mekan tarla görüntüleridir.
• Ek açıklamalar, nesne algılama görevlerini desteklemek için buğday başı sınırlama kutularını içerir.

Veri Kümesi Yapısı

Küresel Buğday Başı Veri Kümesi iki ana alt küme halinde düzenlenmiştir:

1. Eğitim Seti: Bu alt küme Avrupa ve Kuzey Amerika'dan 3.000'den fazla görüntü içermektedir. Görüntüler, nesne algılama modellerinin eğitimi için temel doğruluk sağlayan buğday başı sınırlayıcı kutuları ile etiketlenmiştir.
2. Test Kümesi: Bu alt küme Avustralya, Japonya ve Çin'den yaklaşık 1.000 görüntüden oluşmaktadır. Bu görüntüler, eğitilmiş modellerin görünmeyen genotipler, ortamlar ve gözlem koşulları üzerindeki performansını değerlendirmek için kullanılır.

Uygulamalar

The Global Wheat Head Dataset is widely used for training and evaluating deep learning models in wheat head detection tasks. The dataset's diverse set of images, capturing a wide range of appearances, environments, and conditions, make it a valuable resource for researchers and practitioners in the field of plant phenotyping and crop management.

Veri Kümesi YAML

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. Küresel Buğday Başı Veri Kümesi için GlobalWheat2020.yaml dosyası şu adreste tutulur 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

Kullanım

To train a YOLO11n model on the Global Wheat Head Dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

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

Örnek Veriler ve Açıklamalar

Küresel Buğday Başağı Veri Kümesi, buğday başağı görünümleri, ortamları ve koşullarındaki doğal değişkenliği yakalayan çeşitli dış mekan tarla görüntüleri içerir. İşte veri kümesinden bazı veri örnekleri ve bunlara karşılık gelen ek açıklamalar:

• Buğday Başı Tespiti: Bu görüntü, buğday başlarının sınırlayıcı kutularla açıklandığı bir buğday başı algılama örneğini göstermektedir. Veri kümesi, bu görev için modellerin geliştirilmesini kolaylaştırmak üzere çeşitli görüntüler sunmaktadır.

Bu örnek, Küresel Buğday Başı Veri Setindeki verilerin çeşitliliğini ve karmaşıklığını ortaya koymakta ve buğday fenotipleme ve mahsul yönetimindeki uygulamalar için doğru buğday başı tespitinin önemini vurgulamaktadır.

Atıflar ve Teşekkür

Araştırma veya geliştirme çalışmalarınızda Global Wheat Head Veri Setini kullanıyorsanız, lütfen aşağıdaki makaleye atıfta bulunun:

@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 fenotipleme ve mahsul yönetimi araştırma topluluğu için değerli bir kaynak olarak Küresel Buğday Başı Veri Seti'nin oluşturulmasına ve sürdürülmesine katkıda bulunan araştırmacılara ve kurumlara teşekkür ederiz. Veri seti ve yaratıcıları hakkında daha fazla bilgi için Global Wheat Head Dataset web sitesini ziyaret edin.

SSS

Küresel Buğday Başı Veri Seti ne için kullanılır?

Küresel Buğday Başı Veri Kümesi, öncelikle buğday başı tespitine yönelik derin öğrenme modellerinin geliştirilmesi ve eğitilmesi için kullanılmaktadır. Bu, buğday fenotipleme ve mahsul yönetimindeki uygulamalar için çok önemlidir ve buğday başağı yoğunluğu, boyutu ve genel mahsul verim potansiyelinin daha doğru tahmin edilmesini sağlar. Doğru tespit yöntemleri, verimli mahsul yönetimi için gerekli olan mahsul sağlığı ve olgunluğunun değerlendirilmesine yardımcı olur.

Küresel Buğday Başı Veri Kümesi üzerinde bir YOLO11n modelini nasıl eğitebilirim?

Küresel Buğday Başı Veri Kümesi üzerinde bir YOLO11n modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Şunlara sahip olduğunuzdan emin olun GlobalWheat2020.yaml veri kümesi yollarını ve sınıflarını belirten yapılandırma dosyası:

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

Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.

Küresel Buğday Başı Veri Setinin temel özellikleri nelerdir?

Küresel Buğday Başı Veri Setinin temel özellikleri şunlardır:

• Avrupa (Fransa, İngiltere, İsviçre) ve Kuzey Amerika'dan (Kanada) 3.000'in üzerinde eğitim görüntüsü.
• Avustralya, Japonya ve Çin'den yaklaşık 1.000 test görüntüsü.
• Farklı yetiştirme ortamları nedeniyle buğday başağı görünümlerinde yüksek değişkenlik.
• Detailed annotations with wheat head bounding boxes to aid object detection models.

Bu özellikler, birden fazla bölgede genelleme yapabilen sağlam modellerin geliştirilmesini kolaylaştırır.

Küresel Buğday Başı Veri Kümesi için yapılandırma YAML dosyasını nerede bulabilirim?

Küresel Buğday Başı Veri Kümesi için yapılandırma YAML dosyası GlobalWheat2020.yamlGitHub'da mevcuttur. Bu adresten erişebilirsiniz link. Bu dosya, Ultralytics YOLO adresinde model eğitimi için gereken veri kümesi yolları, sınıflar ve diğer yapılandırma ayrıntıları hakkında gerekli bilgileri içerir.

Buğday başı tespiti ürün yönetiminde neden önemlidir?

Buğday başı tespiti mahsul yönetiminde kritik öneme sahiptir çünkü mahsul sağlığı, olgunluğu ve verim potansiyelini değerlendirmek için gerekli olan buğday başı yoğunluğu ve boyutunun doğru tahmin edilmesini sağlar. Çiftçiler ve araştırmacılar, Küresel Buğday Başı Veri Seti gibi veri setleri üzerinde eğitilmiş derin öğrenme modellerinden yararlanarak mahsulleri daha iyi izleyebilir ve yönetebilir, bu da tarımsal uygulamalarda verimliliğin artmasına ve kaynak kullanımının optimize edilmesine yol açar. Bu teknolojik ilerleme, sürdürülebilir tarım ve gıda güvenliği girişimlerini desteklemektedir.

Tarımda yapay zeka uygulamaları hakkında daha fazla bilgi için Tarımda Yapay Zeka sayfasını ziyaret edin.

📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar