Sayfayı GitHub üzerinde düzenle (EN)

Global Wheat Head Dataset

Global Wheat Head Dataset, buğday fenotipleme ve mahsul yönetimi uygulamaları için hassas buğday başağı tespit modellerinin geliştirilmesini desteklemek amacıyla tasarlanmış bir görüntü koleksiyonudur. Başak olarak da bilinen buğday başakları, buğday bitkisinin tane taşıyan kısımlarıdır. Buğday başağı yoğunluğunun ve boyutunun doğru tahmini; mahsul sağlığını, olgunluğunu ve verim potansiyelini değerlendirmek için esastır. Yedi ülkeden dokuz araştırma enstitüsünün iş birliğiyle oluşturulan bu veri seti, modellerin farklı ortamlarda iyi genelleme yapabilmesini sağlamak amacıyla birden fazla yetiştirme bölgesini kapsamaktadır.

Temel Özellikler

  • Veri seti; Avrupa (Fransa, İngiltere, İsviçre) ve Kuzey Amerika'dan (Kanada) 3.000'den fazla eğitim görüntüsü içermektedir.
  • Avustralya, Japonya ve Çin'den yaklaşık 1.000 test görüntüsü içerir.
  • Görüntüler, buğday başağı görünümlerindeki doğal değişkenliği yakalayan dış mekan arazi görüntüleridir.
  • Açıklamalar, nesne algılama görevlerini desteklemek için buğday başağı sınırlayıcı kutularını (bounding boxes) içerir.

Veri Kümesi Yapısı

Global Wheat Head Dataset iki ana alt kümeye ayrılmıştır:

  1. Eğitim Seti: Bu alt küme, Avrupa ve Kuzey Amerika'dan 3.000'den fazla görüntü içerir. Görüntüler, nesne algılama modellerini eğitmek için temel doğruluk (ground truth) sağlayan buğday başağı sınırlayıcı kutuları ile etiketlenmiştir.
  2. Test Seti: Bu alt küme, Avustralya, Japonya ve Çin'den yaklaşık 1.000 görüntüden oluşur. Bu görüntüler, eğitilmiş modellerin daha önce görülmemiş genotipler, ortamlar ve gözlem koşulları üzerindeki performansını değerlendirmek için kullanılır.

Uygulamalar

Global Wheat Head Dataset, buğday başağı tespit görevlerinde derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Çok çeşitli görünümleri, ortamları ve koşulları yakalayan veri setinin zengin görüntü kümesi, bitki fenotipleme ve mahsul yönetimi alanındaki araştırmacılar ve uygulayıcılar için değerli bir kaynak oluşturur.

Veri Kümesi YAML Dosyası

Veri seti yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri setinin yolları, sınıfları ve diğer ilgili bilgiler hakkında veriler içerir. Global Wheat Head Dataset örneğinde, GlobalWheat2020.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml adresinde tutulmaktadır.

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 Dataset üzerinde bir YOLO26n modelini 640 görüntü boyutuyla 100 dönem boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için model Eğitim sayfasına başvurabilirsin.

Eğitim Örneği
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 Veriler ve Açıklamalar

Global Wheat Head Dataset, buğday başağı görünümlerindeki, ortamlarındaki ve koşullarındaki doğal değişkenliği yakalayan çeşitli dış mekan arazi görüntüleri içerir. İşte veri setinden bazı örnekler ve bunlara karşılık gelen açıklamalar:

Buğday başağı tespitini gösteren Global Wheat veri seti örneği

  • Buğday Başağı Tespiti: Bu görüntü, buğday başaklarının sınırlayıcı kutularla işaretlendiği bir buğday başağı tespiti örneğini göstermektedir. Veri seti, bu görev için model geliştirmeyi kolaylaştırmak amacıyla çeşitli görüntüler sunar.

Bu örnek, Global Wheat Head Dataset içindeki verilerin çeşitliliğini ve karmaşıklığını sergilemekte ve buğday fenotipleme ve mahsul yönetimi uygulamaları için doğru buğday başağı tespitinin önemini vurgulamaktadır.

Alıntılar ve Teşekkür

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

Alıntı
@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}
}

Global Wheat Head Dataset'in bitki fenotipleme ve mahsul yönetimi araştırma topluluğu için değerli bir kaynak olarak 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 edebilirsin.

SSS

Global Wheat Head Dataset ne için kullanılır?

Global Wheat Head Dataset, öncelikli olarak buğday başağı tespiti amaçlı derin öğrenme modelleri geliştirmek ve eğitmek için kullanılır. Bu durum, buğday fenotipleme ve mahsul yönetimi uygulamaları için çok önemlidir; buğday başağı yoğunluğu, boyutu ve genel mahsul verim potansiyelinin daha doğru tahmin edilmesine olanak tanır. Doğru tespit yöntemleri, verimli mahsul yönetimi için gerekli olan mahsul sağlığının ve olgunluğunun değerlendirilmesine yardımcı olur.

Global Wheat Head Dataset üzerinde bir YOLO26n modelini nasıl eğitirim?

Global Wheat Head Dataset üzerinde bir YOLO26n modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Veri seti yollarını ve sınıflarını belirten GlobalWheat2020.yaml yapılandırma dosyasına sahip olduğundan emin ol:

Eğitim Örneği
from ultralytics import YOLO

# Load a pretrained model (recommended for training)
model = YOLO("yolo26n.pt")

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

Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için model Eğitim sayfasına başvurabilirsin.

Global Wheat Head Dataset'in temel özellikleri nelerdir?

Global Wheat Head Dataset'in temel özellikleri şunlardır:

  • Avrupa (Fransa, İngiltere, İsviçre) ve Kuzey Amerika'dan (Kanada) 3.000'den fazla 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.

Global Wheat Head Dataset için yapılandırma YAML dosyasını nerede bulabilirim?

Global Wheat Head Dataset için GlobalWheat2020.yaml adlı yapılandırma YAML dosyası GitHub'da mevcuttur. Bu dosyaya https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml üzerinden erişebilirsin. Bu dosya, Ultralytics YOLO içinde model eğitimi için gereken veri seti yolları, sınıflar ve diğer yapılandırma detayları hakkında gerekli bilgileri içerir.

Mahsul yönetiminde buğday başağı tespiti neden önemlidir?

Buğday başağı tespiti, mahsul yönetiminde kritiktir çünkü mahsul sağlığını, olgunluğunu ve verim potansiyelini değerlendirmek için esas olan buğday başağı yoğunluğu ve boyutunun doğru tahmin edilmesini sağlar. Global Wheat Head Dataset gibi veri setleri üzerinde eğitilmiş derin öğrenme modellerinden yararlanarak çiftçiler ve araştırmacılar, mahsulleri daha iyi izleyip yönetebilir; bu da tarımsal uygulamalarda artan üretkenliğe ve optimize edilmiş kaynak kullanımına yol açar. Bu teknolojik ilerleme, sürdürülebilir tarım ve gıda güvenliği girişimlerini destekler.

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

Contributors
Sayfayı GitHub üzerinde düzenle (EN)
GLglenn-jocher16PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1

Yorumlar