Küresel Buğday Başağı 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 Başağı Veri Kümesi (GWHD), açık hava tarla görüntülerinde buğday bitkisinin tane taşıyan başakları olan buğday başaklarını algılamak için tek sınıflı bir nesne algılama veri kümesidir. Birden fazla yetiştirme bölgesinde çekilmiş 3.422 eğitim, 748 doğrulama ve 1.276 test görüntüsü sunar. Modellerin farklı ortamlara genelleme yapabilmesi için yedi ülkeden dokuz araştırma enstitüsünün iş birliğiyle oluşturulmuştur. Buğday başaklarının doğru algılanması, bitki fenotipleme ve ürün yönetiminde başak yoğunluğu, boyutu ve verim potansiyeli tahminlerinin temelini oluşturur.

Temel Özellikler#

• Buğday başaklarının görünümündeki, aydınlatmadaki ve büyüme evresindeki doğal değişkenliği yansıtan gerçek dış mekân tarla görüntüleri.
• Farklı ortamlara güçlü genelleme sağlamak için Avrupa, Kuzey Amerika, Asya ve Avustralya'daki yetiştirme bölgelerini kapsayan yedi ülkeden dokuz araştırma enstitüsü tarafından oluşturulmuştur.
• Nesne algılama ve izleme işlem hatlarında kullanıma hazır, tek bir sınıf (wheat_head) için sınırlayıcı kutu açıklamaları.
• Test görüntüleri, eğitim sırasında görülmemiş genotiplerden ve bölgelerden gelir; böylece gerçek bir genelleme kıyaslaması sunar.

Veri Kümesi Yapısı#

Küresel Buğday Başağı Veri Kümesi, GlobalWheat2020.yaml yapılandırmasında tanımlanan üç alt kümeye ayrılmıştır; tüm görüntüler tek bir sınıfla, wheat_head ile etiketlenmiştir:

Uygulamalar#

Global Wheat Head Dataset, buğday başağı tespiti için derin öğrenme modellerini eğitmek ve değerlendirmek amacıyla yaygın olarak kullanılır. Bölgeler, genotipler ve koşullar bakımından çeşitlilik gösteren görüntüleri, bitki fenotiplemesi ve ürün yönetimi için değerli bir kaynak oluşturur; verim tahmini, ürün sağlığının izlenmesi ve fenotipik analiz çalışmalarını destekler.

Tarla görüntülerini tarayıcında etiketlemek, eğitim yapmak ve veri kümesi sürümlerini yönetmek için tüm iş akışını Ultralytics Platform ile yürüt.

Veri Kümesi YAML Dosyası#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yollarını, sınıflarını ve diğer yapılandırma ayrıntılarını tanımlar. Global Wheat Head Dataset için GlobalWheat2020.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml konumunda 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#

Global Wheat Head Dataset üzerinde YOLO26n modelini 640 görüntü boyutuyla 100 epoch boyunca 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 bak.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

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

Örnek Görüntüler ve Ek Açıklamalar#

Global Wheat Head Dataset, buğday başaklarının görünümündeki, ortamlardaki ve koşullardaki doğal değişkenliği yansıtan, açık arazilerde çekilmiş çeşitli görüntüler içerir. Aşağıda, veri kümesinden örnek bir görüntü ve buna karşılık gelen etiketler yer alıyor:

• Buğday Başağı Tespiti: Veri kümesinin çeşitliliğini ve karmaşıklığını yansıtan farklı tarla koşullarında, buğday başakları nesne tespiti için sınırlayıcı kutularla etiketlenmiştir.

Atıflar ve Teşekkürler#

Global Wheat Head Dataset'i araştırma veya geliştirme çalışmalarında kullanırsan 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}
}

Bitki fenotiplemesi ve ürün yönetimi araştırma topluluğu için değerli bir kaynak olan Global Wheat Head Dataset'in 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.

Sık Sorulan Sorular#