跳至内容

全球小麦头数据集

全球小麦头数据集是一个图像集合，旨在支持开发精确的小麦头检测模型，以应用于小麦表型和作物管理。小麦头又称麦穗，是小麦植株的结粒部分。准确估计小麦头部密度和大小对于评估作物健康、成熟度和产量潜力至关重要。该数据集由来自 7 个国家的 9 个研究机构合作创建，涵盖多个种植区域，以确保模型在不同环境下具有良好的通用性。

主要功能

  • 该数据集包含来自欧洲（法国、英国、瑞士）和北美（加拿大）的 3,000 多张训练图像。
  • 其中包括来自澳大利亚、日本和中国的约 1,000 张测试图像。
  • 图像为室外田间图像，捕捉了小麦头部外观的自然变化。
  • 注释包括小麦头边界框，以支持物体检测任务。

数据集结构

全球麦头数据集主要分为两个子集：

  1. 训练集：该子集包含来自欧洲和北美的 3000 多张图像。这些图像标有麦头边界框，为训练物体检测模型提供了基本事实。
  2. 测试集：该子集由来自澳大利亚、日本和中国的约 1,000 张图像组成。这些图像用于评估训练有素的模型在未见过的基因型、环境和观察条件下的表现。

应用

全球小麦头数据集被广泛用于训练和评估小麦头检测任务中的深度学习模型。该数据集的图像种类繁多，捕捉了各种外观、环境和条件，是植物表型和作物管理领域研究人员和从业人员的宝贵资源。

数据集 YAML

YAML（另一种标记语言）文件用于定义数据集配置。它包含数据集的路径、类和其他相关信息。就全球小麦头数据集而言，YAML 文件包括 GlobalWheat2020.yaml 文件保存在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml.

ultralytics/cfg/datasets/GlobalWheat2020.yaml

# Ultralytics YOLO 🚀, 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
# ├── 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: ../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/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

使用方法

要在图像大小为 640 的全球小麦头数据集上训练 YOLO11n 模型 100次，可以使用以下代码片段。有关可用参数的完整列表，请参阅模型训练页面。

列车示例

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640

样本数据和注释

全球小麦头部数据集包含一组不同的室外田间图像，捕捉了小麦头部外观、环境和条件的自然变化。下面是数据集中的一些数据示例及其相应的注释：

数据集样本图像

  • 麦头检测：这张图片展示了麦头检测的一个示例，麦头用边界框标注。该数据集提供了各种图像，便于为这项任务开发模型。

该示例展示了全球小麦头数据集中数据的多样性和复杂性，并强调了精确的小麦头检测对于小麦表型和作物管理应用的重要性。

引文和致谢

如果您在研究或开发工作中使用全球小麦头数据集，请引用以下论文：

@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}
}

全球小麦头部数据集是植物表型和作物管理研究界的宝贵资源，我们在此向为全球小麦头部数据集的创建和维护做出贡献的研究人员和机构表示感谢。有关该数据集及其创建者的更多信息，请访问全球小麦头数据集网站。

常见问题

全球小麦头数据集的用途是什么？

全球小麦头数据集主要用于开发和训练小麦头检测的深度学习模型。这对于小麦表型和作物管理方面的应用至关重要，可以更准确地估计小麦头的密度、大小和整体作物产量潜力。准确的检测方法有助于评估作物健康和成熟度，这对高效的作物管理至关重要。

如何在全球小麦头数据集上训练 YOLO11n 模型？

要在全球小麦头数据集上训练 YOLO11n 模型，可以使用以下代码片段。确保有 GlobalWheat2020.yaml 配置文件，指定数据集路径和类：

列车示例

from ultralytics import YOLO

# Load a pre-trained model (recommended for training)
model = YOLO("yolo11n.pt")

# 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=yolo11n.pt epochs=100 imgsz=640

有关可用参数的完整列表，请参阅模型培训页面。

全球小麦头数据集有哪些主要特点？

全球小麦头数据集的主要特点包括

  • 来自欧洲（法国、英国、瑞士）和北美（加拿大）的 3,000 多张培训图片。
  • 来自澳大利亚、日本和中国的约 1,000 张测试图像。
  • 由于生长环境不同，小麦头部外观差异很大。
  • 带有小麦头边界框的详细注释，可辅助物体检测模型。

这些特征有助于开发能够在多个区域通用的稳健模型。

在哪里可以找到全球小麦头数据集的配置 YAML 文件？

全球小麦头数据集的配置 YAML 文件名为 GlobalWheat2020.yaml已在 GitHub 上发布。您可以通过以下链接访问 链接.该文件包含在Ultralytics YOLO 中进行模型训练所需的数据集路径、类和其他配置细节的必要信息。

为什么麦头检测在作物管理中很重要？

小麦头部检测在作物管理中至关重要，因为它可以准确估计小麦头部的密度和大小，这对于评估作物健康状况、成熟度和产量潜力至关重要。通过利用在全球小麦头数据集等数据集上训练的深度学习模型，农民和研究人员可以更好地监测和管理作物，从而在农业实践中提高生产力和优化资源利用。这一技术进步为可持续农业和粮食安全倡议提供了支持。

有关人工智能在农业领域应用的更多信息，请访问AI in Agriculture。

📅创建于 1 年前 ✏️已更新 2 个月前
超解助手 翔宇 马修-诺伊斯 里兹万-穆纳瓦 笑-q

评论