Link to this sectionGlobal Wheat Head Veri Kümesi#

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

Link to this sectionTemel Özellikler#

Veri kümesi; Avrupa (Fransa, Birleşik Krallık, İsviçre) ve Kuzey Amerika'dan (Kanada) 3.000'den fazla eğitim görüntüsü içermektedir.
Avustralya, Japonya ve Çin'den yaklaşık 1.000 test görüntüsü içermektedir.
Görüntüler, buğday başı görünümlerindeki doğal değişkenliği yakalayan dış mekan arazi görüntüleridir.
Açıklamalar, nesne tespiti görevlerini desteklemek için buğday başı sınırlayıcı kutularını içermektedir.

Link to this sectionVeri Kümesi Yapısı#

Global Wheat Head Veri Kümesi iki ana alt kümede düzenlenmiştir:

Eğitim Kümesi: Bu alt küme, Avrupa ve Kuzey Amerika'dan 3.000'den fazla görüntü içerir. Görüntüler, nesne tespit modellerini eğitmek için temel doğruluk sağlayan buğday başı sınırlayıcı kutularıyla etiketlenmiştir.
Test Kümesi: 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.

Link to this sectionUygulamalar#

Global Wheat Head Veri Kümesi, buğday başı tespit görevlerinde derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. Veri kümesinin çok çeşitli görünümler, ortamlar ve koşullar yakalayan zengin görüntü seti, onu bitki fenotipleme ve mahsul yönetimi alanındaki araştırmacılar ve uygulayıcılar için değerli bir kaynak haline getirmektedir.

Link to this sectionVeri Kümesi YAML#

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri hakkında bilgiler içerir. Global Wheat Head Veri Kümesi için 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

Link to this sectionKullanım#

Global Wheat Head Veri Kümesi üzerinde 640 görüntü boyutu ile 100 epoch boyunca bir YOLO26n modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için Eğitim sayfası modeline başvur.

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)

Link to this sectionÖrnek Veriler ve Etiketler#

Global Wheat Head Veri Kümesi; buğday başı görünümlerindeki, ortamlarındaki ve koşullarındaki doğal değişkenliği yakalayan çok çeşitli dış mekan arazi görüntüleri içerir. İşte veri kümesinden, ilgili açıklamalarıyla birlikte bazı örnekler:

Global Wheat veri kümesi örnek buğday başı tespiti

Buğday Başı Tespiti: Bu görüntü, buğday başlarının sınırlayıcı kutularla etiketlendiği bir buğday başı tespiti örneğini göstermektedir. Veri kümesi, bu görev için model geliştirmeyi kolaylaştırmak amacıyla çeşitli görüntüler sağlar.

Bu örnek, Global Wheat Head Veri Kümesi'ndeki verilerin çeşitliliğini ve karmaşıklığını sergilemekte olup, buğday fenotipleme ve mahsul yönetimi uygulamaları için doğru buğday başı tespitinin önemini vurgulamaktadır.

Link to this sectionAlıntılar ve Teşekkür#

Global Wheat Head Veri Kümesi'ni araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen şu 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 Veri Kümesi'nin bitki fenotipleme ve mahsul yönetimi araştırma topluluğu için değerli bir kaynak olarak 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.

Link to this sectionSSS#

Link to this sectionGlobal Wheat Head Veri Kümesi ne için kullanılır?#

Global Wheat Head Veri Kümesi temel olarak, buğday başı tespiti hedefli derin öğrenme modellerini geliştirmek ve eğitmek için kullanılır. Bu; buğday fenotipleme ve mahsul yönetimi uygulamaları için kritik öneme sahip olup, buğday başı yoğunluğu, boyutu ve genel mahsul verim potansiyelinin daha doğru tahmin edilmesini sağlar. Doğru tespit yöntemleri, verimli mahsul yönetimi için gerekli olan mahsul sağlığının ve olgunluğunun değerlendirilmesine yardımcı olur.

Link to this sectionGlobal Wheat Head Veri Kümesi üzerinde YOLO26n modelini nasıl eğitirim?#

Global Wheat Head Veri Kümesi üzerinde bir YOLO26n modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Veri kümesi yollarını ve sınıflarını belirten GlobalWheat2020.yaml yapılandırma dosyasının elinde 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)

Mevcut argümanların kapsamlı bir listesi için Eğitim sayfası modeline başvur.

Link to this sectionGlobal Wheat Head Veri Kümesi'nin temel özellikleri nelerdir?#

Global Wheat Head Veri Kümesi'nin temel özellikleri şunlardır:

Avrupa (Fransa, Birleşik Krallık, İsviçre) ve Kuzey Amerika'dan (Kanada) 3.000'den fazla eğitim görüntüsü.
Avustralya, Japonya ve Çin'den yaklaşık 1.000 test görüntüsü.
Farklı yetiştirme ortamlarından kaynaklanan buğday başı 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.

Link to this sectionGlobal Wheat Head Veri Kümesi için yapılandırma YAML dosyasını nerede bulabilirim?#

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

Link to this sectionMahsul yönetiminde buğday başı tespiti neden önemlidir?#

Buğday başı tespiti; mahsul sağlığını, olgunluğunu ve verim potansiyelini değerlendirmek için gerekli olan buğday başı yoğunluğunun ve boyutunun doğru tahmin edilmesini sağladığından mahsul yönetiminde kritiktir. Global Wheat Head Veri Kümesi gibi veri kümeleri üzerinde eğitilmiş derin öğrenme modellerinden yararlanarak, çiftçiler ve araştırmacılar mahsulleri daha iyi izleyip yönetebilir, bu da tarımsal uygulamalarda üretkenliğin artmasına ve kaynak kullanımının optimize edilmesine yol açar. Bu teknolojik ilerleme, sürdürülebilir tarım ve gıda güvenliği girişimlerini desteklemektedir.

Yapay zekanın tarımdaki uygulamaları hakkında daha fazla bilgi için AI in Agriculture sayfasını ziyaret et.

Katkıda bulunanlar

GLglenn-jocher¹⁶ PDpderrenger¹ MAMatthewNoyce¹ RIRizwanMunawar¹

Oluşturulma 12 Kas 2023Güncellenme geçen ay