Link to this sectionGlobal Wheat Head Veri Kümesi#

Global Wheat Head Dataset (GWHD), açık alan tarla görüntülerinde buğday başaklarını —buğday bitkisinin tahıl taşıyan sivri uçları— tespit etmeye yönelik tek sınıflı bir nesne algılama veri kümesidir. Birden fazla yetiştirme bölgesinde çekilmiş 3.422 eğitim, 748 doğrulama ve 1.276 test görüntüsü sağlar ve modellerin farklı ortamlarda genelleştirilebilmesi için yedi ülkeden dokuz araştırma enstitüsünün iş birliğiyle oluşturulmuştur. Doğru buğday başağı tespiti, bitki fenotipleme ve mahsul yönetiminde başak yoğunluğu, boyutu ve verim potansiyeli tahminlerinin temelini oluşturur.

Link to this sectionTemel Özellikler#

• Buğday başağı görünümü, aydınlatma ve büyüme evresindeki doğal değişkenliği yakalayan gerçek açık alan tarla görüntüleri.
• Güçlü bir çapraz ortam genellemesi için Avrupa, Kuzey Amerika, Asya ve Avustralya yetiştirme bölgelerini kapsayan, yedi ülkeden dokuz araştırma enstitüsü tarafından oluşturulmuştur.
• Tek bir sınıf olan wheat_head için, nesne tespiti ve takip süreçlerine hazır sınırlayıcı kutu (bounding-box) açıklamaları.
• Test görüntüleri, eğitim sırasında görülmeyen genotiplerden ve bölgelerden gelir, bu da gerçek bir genelleme kıyaslaması sağlar.

Link to this sectionVeri Kümesi Yapısı#

Global Wheat Head Dataset, GlobalWheat2020.yaml yapılandırması tarafından tanımlanan ve tamamı wheat_head adlı tek bir sınıfla etiketlenmiş üç alt kümeye ayrılmıştır:

Link to this sectionUygulamalar#

Global Wheat Head Dataset, buğday başağı tespiti için derin öğrenme modellerini eğitmek ve değerlendirmek amacıyla yaygın olarak kullanılır. Bölgeler, genotipler ve koşullar genelindeki çeşitli görüntüleri, onu bitki fenotipleme ve mahsul yönetimi için değerli bir kaynak haline getirir; verim tahmini, mahsul sağlığı izleme ve fenotipik analiz süreçlerini destekler.

Tarla görüntülerini etiketlemek, eğitmek ve veri kümesi sürümlerini tarayıcında yönetmek için tüm iş akışını Ultralytics Platform ile çalıştır.

Link to this sectionVeri Kümesi YAML#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yollarını, sınıflarını ve diğer yapılandırma detaylarını belirler. Global Wheat Head Veri Kümesi için GlobalWheat2020.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml adresinde tutulmaktadır.

# 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 Dataset üzerinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Veri kümesi (~7.0 GB) ilk kullanımda otomatik olarak indirilir. Kullanılabilir argümanların kapsamlı bir listesi için model 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)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

Global Wheat Head Dataset, buğday başağı görünümlerindeki, ortamlardaki ve koşullardaki doğal değişkenliği yakalayan çeşitli açık alan tarla görüntüleri içerir. İşte veri kümesinden örnek bir görüntü ve karşılık gelen etiketleri:

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

Link to this sectionAlıntılar ve Teşekkür#

Global Wheat Head Veri Kümesi'ni araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen şu 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}
}

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 Dataset, temel olarak buğday başağı tespitine yönelik derin öğrenme modelleri geliştirmek ve eğitmek için kullanılır. Bu durum, buğday fenotipleme ve mahsul yönetimi uygulamaları için kritiktir ve buğday başağı yoğunluğu, boyutu ve genel mahsul verim potansiyelinin daha doğru tahmin edilmesini sağlar. Doğru tespit yöntemleri, mahsul sağlığının ve olgunluğunun değerlendirilmesine yardımcı olur; bu da verimli mahsul yönetimi için gereklidir.

Link to this sectionGlobal Wheat Head Dataset içerisinde kaç görüntü ve sınıf var?#

Global Wheat Head Dataset tek bir wheat_head sınıfına 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 görülmeyen ortamlara olan genellemeyi değerlendirmek için Avustralya, Japonya ve Çin'den alınmıştır.

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:

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 Dataset'i nasıl indirebilirim?#

Veri kümesi (~7.0 GB), data="GlobalWheat2020.yaml" ile ilk kez eğitim yaptığında otomatik olarak indirilir; manuel bir işlem gerekmez. Ultralytics görüntüleri ve etiketleri çeker ve yerel veri kümesi dizinine açar. İlgili veri kümelerine nesne algılama veri kümelerine genel bakış sayfasından göz atabilirsin.

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

Global Wheat Head Dataset için yapılandırma YAML dosyası olan GlobalWheat2020.yaml, GitHub üzerinde mevcuttur. Bu dosyaya 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 yollarını, sınıfları ve diğer yapılandırma ayrıntılarını içerir.

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

Buğday başağı tespiti, ürün yönetiminde kritiktir çünkü ürün sağlığını, olgunluğunu ve verim potansiyelini değerlendirmek için gerekli olan buğday başağı yoğunluğunun ve boyutunun doğru bir şekilde tahmin edilmesini sağlar. Global Wheat Head Dataset gibi veri kümeleri üzerinde eğitilmiş derin öğrenme modellerinden yararlanarak, çiftçiler ve araştırmacılar ürünleri 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 destekler.

Tarımda yapay zeka uygulamaları hakkında daha fazla bilgi için AI in Agriculture sayfasını ziyaret et.