─░├žeri─če ge├ž

K├╝resel Bu─čday Ba┼č─▒ Veri Seti

K├╝resel Bu─čday Ba┼ča─č─▒ Veri Seti, bu─čday fenotipleme ve mahsul y├Ânetimindeki uygulamalar i├žin do─čru bu─čday ba┼č─▒ tespit modellerinin geli┼čtirilmesini desteklemek ├╝zere tasarlanm─▒┼č bir g├Âr├╝nt├╝ koleksiyonudur. Ba┼čak olarak da bilinen bu─čday ba┼čaklar─▒, bu─čday bitkisinin tane ta┼č─▒yan k─▒s─▒mlar─▒d─▒r. Bu─čday ba┼ča─č─▒ yo─čunlu─ču ve boyutunun do─čru tahmin edilmesi, mahsul sa─čl─▒─č─▒, olgunluk ve verim potansiyelinin de─čerlendirilmesi i├žin ├žok ├Ânemlidir. Yedi ├╝lkeden dokuz ara┼čt─▒rma enstit├╝s├╝n├╝n i┼čbirli─čiyle olu┼čturulan veri seti, modellerin farkl─▒ ortamlarda iyi bir ┼čekilde genelle┼čtirilmesini sa─člamak i├žin birden fazla yeti┼čtirme b├Âlgesini kapsamaktad─▒r.

Temel ├ľzellikler

  • Veri k├╝mesi Avrupa (Fransa, ─░ngiltere, ─░svi├žre) ve Kuzey Amerika'dan (Kanada) 3.000'in ├╝zerinde e─čitim g├Âr├╝nt├╝s├╝ i├žermektedir.
  • Avustralya, Japonya ve ├çin'den yakla┼č─▒k 1.000 test g├Âr├╝nt├╝s├╝ i├žermektedir.
  • G├Âr├╝nt├╝ler, bu─čday ba┼ča─č─▒ g├Âr├╝n├╝mlerindeki do─čal de─či┼čkenli─či yakalayan d─▒┼č mekan tarla g├Âr├╝nt├╝leridir.
  • Ek a├ž─▒klamalar, nesne alg─▒lama g├Ârevlerini desteklemek i├žin bu─čday ba┼č─▒ s─▒n─▒rlama kutular─▒n─▒ i├žerir.

Veri K├╝mesi Yap─▒s─▒

K├╝resel Bu─čday Ba┼č─▒ Veri K├╝mesi iki ana alt k├╝me halinde d├╝zenlenmi┼čtir:

  1. E─čitim Seti: Bu alt k├╝me Avrupa ve Kuzey Amerika'dan 3.000'den fazla g├Âr├╝nt├╝ i├žermektedir. G├Âr├╝nt├╝ler, nesne alg─▒lama modellerinin e─čitimi i├žin temel do─čruluk sa─člayan bu─čday ba┼č─▒ s─▒n─▒rlay─▒c─▒ kutular─▒ ile etiketlenmi┼čtir.
  2. Test K├╝mesi: Bu alt k├╝me Avustralya, Japonya ve ├çin'den yakla┼č─▒k 1.000 g├Âr├╝nt├╝den olu┼čmaktad─▒r. Bu g├Âr├╝nt├╝ler, e─čitilmi┼č modellerin g├Âr├╝nmeyen genotipler, ortamlar ve g├Âzlem ko┼čullar─▒ ├╝zerindeki performans─▒n─▒ de─čerlendirmek i├žin kullan─▒l─▒r.

Uygulamalar

Global Bu─čday Ba┼č─▒ Veri K├╝mesi, bu─čday ba┼č─▒ tespit g├Ârevlerinde derin ├Â─črenme modellerini e─čitmek ve de─čerlendirmek i├žin yayg─▒n olarak kullan─▒lmaktad─▒r. Veri setinin ├žok ├že┼čitli g├Âr├╝n├╝mleri, ortamlar─▒ ve ko┼čullar─▒ yakalayan ├že┼čitli g├Âr├╝nt├╝ k├╝mesi, onu bitki fenotipleme ve mahsul y├Ânetimi alan─▒ndaki ara┼čt─▒rmac─▒lar ve uygulay─▒c─▒lar i├žin de─čerli bir kaynak haline getirmektedir.

Veri K├╝mesi YAML

Veri k├╝mesi yap─▒land─▒rmas─▒n─▒ tan─▒mlamak i├žin bir YAML (Yet Another Markup Language) dosyas─▒ kullan─▒l─▒r. Veri k├╝mesinin yollar─▒, s─▒n─▒flar─▒ ve di─čer ilgili bilgiler hakk─▒nda bilgi i├žerir. K├╝resel Bu─čday Ba┼č─▒ Veri K├╝mesi i├žin GlobalWheat2020.yaml dosyas─▒ ┼ču adreste tutulur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml.

ultralytics/cfg/datasets/GlobalWheat2020.yaml

# Ultralytics YOLO ­čÜÇ, AGPL-3.0 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
# ÔöťÔöÇÔöÇ ultralytics
# ÔööÔöÇÔöÇ datasets
#     ÔööÔöÇÔöÇ GlobalWheat2020  ÔćÉ 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: ../datasets/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 ultralytics.utils.downloads import download
  from pathlib import Path

  # Download
  dir = Path(yaml['path'])  # dataset root dir
  urls = ['https://zenodo.org/record/4298502/files/global-wheat-codalab-official.zip',
          'https://github.com/ultralytics/yolov5/releases/download/v1.0/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

Kullan─▒m

Bir YOLOv8n modelini 640 g├Âr├╝nt├╝ boyutuyla 100 epok i├žin Global Bu─čday Ba┼č─▒ Veri K├╝mesi ├╝zerinde e─čitmek i├žin a┼ča─č─▒daki kod par├žac─▒klar─▒n─▒ kullanabilirsiniz. Kullan─▒labilir ba─č─▒ms─▒z de─či┼čkenlerin kapsaml─▒ bir listesi i├žin Model E─čitimi sayfas─▒na bak─▒n.

Tren ├ľrne─či

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=GlobalWheat2020.yaml model=yolov8n.pt epochs=100 imgsz=640

├ľrnek Veriler ve A├ž─▒klamalar

K├╝resel Bu─čday Ba┼ča─č─▒ Veri K├╝mesi, bu─čday ba┼ča─č─▒ g├Âr├╝n├╝mleri, ortamlar─▒ ve ko┼čullar─▒ndaki do─čal de─či┼čkenli─či yakalayan ├že┼čitli d─▒┼č mekan tarla g├Âr├╝nt├╝leri i├žerir. ─░┼čte veri k├╝mesinden baz─▒ veri ├Ârnekleri ve bunlara kar┼č─▒l─▒k gelen ek a├ž─▒klamalar:

Veri k├╝mesi ├Ârnek g├Âr├╝nt├╝s├╝

  • Bu─čday Ba┼č─▒ Tespiti: Bu g├Âr├╝nt├╝, bu─čday ba┼člar─▒n─▒n s─▒n─▒rlay─▒c─▒ kutularla a├ž─▒kland─▒─č─▒ bir bu─čday ba┼č─▒ alg─▒lama ├Ârne─čini g├Âstermektedir. Veri k├╝mesi, bu g├Ârev i├žin modellerin geli┼čtirilmesini kolayla┼čt─▒rmak ├╝zere ├že┼čitli g├Âr├╝nt├╝ler sunmaktad─▒r.

Bu ├Ârnek, K├╝resel Bu─čday Ba┼č─▒ Veri Setindeki verilerin ├že┼čitlili─čini ve karma┼č─▒kl─▒─č─▒n─▒ ortaya koymakta ve bu─čday fenotipleme ve mahsul y├Ânetimindeki uygulamalar i├žin do─čru bu─čday ba┼č─▒ tespitinin ├Ânemini vurgulamaktad─▒r.

At─▒flar ve Te┼čekk├╝r

Ara┼čt─▒rma veya geli┼čtirme ├žal─▒┼čmalar─▒n─▒zda Global Wheat Head Veri Setini kullan─▒yorsan─▒z, l├╝tfen a┼ča─č─▒daki makaleye at─▒fta bulunun:

@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 fenotipleme ve mahsul y├Ânetimi ara┼čt─▒rma toplulu─ču i├žin de─čerli bir kaynak olarak K├╝resel Bu─čday Ba┼č─▒ Veri Seti'nin olu┼čturulmas─▒na ve s├╝rd├╝r├╝lmesine katk─▒da bulunan ara┼čt─▒rmac─▒lara ve kurumlara te┼čekk├╝r ederiz. Veri seti ve yarat─▒c─▒lar─▒ hakk─▒nda daha fazla bilgi i├žin Global Wheat Head Dataset web sitesini ziyaret edin.



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (6), Laughing-q (1)

Yorumlar