Küresel Buğday Başakları Veri Kümesi#

4,698

Global Wheat 2020

ultralytics

publicDetect

Global Wheat 2020 is the consortium's diverse field benchmark for wheat-head localization. Images span cultivars, countries, sites, growth stages, illumination, density, overlap, and imaging conditions, supporting robust crop counting and global model generalization.

1 class1.5 GBSep 2, 2026

wheat_head

agriculturewheatobject-detection+1

Küresel Buğday Başakları Veri Kümesi (GWHD), açık hava tarla görüntülerinde buğday başaklarını — buğday bitkisinin tane taşıyan başaklarını — tespit etmek için kullanılan tek sınıflı bir nesne tespiti veri kümesidir. Farklı ortamlarda modellerin genelleme yapabilmesi amacıyla yedi ülkedeki dokuz araştırma enstitüsünün iş birliğiyle oluşturulan veri kümesi, birden fazla yetiştirme bölgesinde çekilmiş 3.422 eğitim, 748 doğrulama ve 1.276 test görüntüsü içerir. Doğru buğday başağı tespiti, bitki fenotipleme ve ürün yönetiminde başak yoğunluğu, boyutu ve verim potansiyeli tahminlerinin temelini oluşturur.

Temel Özellikler#

• Buğday başaklarının görünüm, aydınlatma ve gelişim aşamasındaki doğal değişkenliği yansıtan gerçek açık hava tarla görüntüleri.
• Güçlü ortamlar arası genelleme sağlamak üzere Avrupa, Kuzey Amerika, Asya ve Avustralya'daki yetiştirme bölgelerini kapsayan, yedi ülkedeki dokuz araştırma enstitüsü tarafından oluşturulmuştur.
• Nesne tespiti ve izleme işlem hatlarında kullanıma hazır, wheat_head adlı tek sınıf için sınırlayıcı kutu açıklamaları.
• Test görüntüleri, eğitim sırasında görülmeyen genotiplerden ve bölgelerden alınarak gerçek bir genelleme karşılaştırması sağlar.

Veri Kümesi Yapısı#

Küresel Buğday Başakları Veri Kümesi, GlobalWheat2020.yaml yapılandırmasıyla tanımlanan üç alt kümeye ayrılır ve tümü tek bir sınıf olan wheat_head ile açıklanmıştır:

Uygulamalar#

Küresel Buğday Başakları Veri Kümesi, buğday başağı tespiti için derin öğrenme modellerini eğitmek ve değerlendirmek amacıyla yaygın olarak kullanılır. Bölgeler, genotipler ve koşullar arasındaki çeşitli görüntüleri, veri kümesini bitki fenotipleme ve ürün yönetimi için değerli bir kaynak hâline getirir; verim tahmini, ürün sağlığının izlenmesi ve fenotipik analiz çalışmalarını destekler.

Tarla görüntülerini açıklamak, eğitim gerçekleştirmek ve veri kümesi sürümlerini tarayıcında yönetmek için tüm iş akışını Ultralytics Platform ile çalıştırabilirsin.

Veri Kümesi YAML'i#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yollarını, sınıflarını ve diğer yapılandırma ayrıntılarını tanımlar. Küresel Buğday Başakları Veri Kümesi için GlobalWheat2020.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml adresinde tutulur.

# 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#

Küresel Buğday Başakları Veri Kümesi üzerinde bir YOLO26n modelini 100 epoch boyunca ve 640 görüntü boyutuyla eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Veri kümesi (~7.0 GB) ilk kullanımda otomatik olarak indirilir. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bakabilirsin.

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 Açıklamalar#

Küresel Buğday Başakları Veri Kümesi, buğday başaklarının görünüm, ortam ve koşullarındaki doğal değişkenliği yansıtan çeşitli açık hava tarla görüntüleri içerir. Aşağıda veri kümesinden, karşılık gelen açıklamalarıyla birlikte bir örnek görüntü yer alır:

• Buğday Başağı Tespiti: Buğday başakları, veri kümesinin çeşitliliğini ve karmaşıklığını yansıtan çeşitli tarla koşullarında nesne tespiti için sınırlayıcı kutularla açıklanmıştır.

Atıflar ve Teşekkürler#

Küresel Buğday Başakları Veri Kümesi'ni araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki 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}
}

Küresel Buğday Başakları Veri Kümesi'nin bitki fenotipleme ve ürün yönetimi araştırma topluluğu için değerli bir kaynak olarak oluşturulmasına ve sürdürülmesine katkıda bulunan araştırmacı ve kurumları anmak isteriz. Veri kümesi ve oluşturucuları hakkında daha fazla bilgi için Küresel Buğday Başakları Veri Kümesi web sitesini ziyaret edebilirsin.

SSS#