مجموعة بيانات رأس القمح العالمي

تُعد مجموعة البيانات العالمية لرؤوس القمح مجموعة من الصور المصممة لدعم تطوير نماذج دقيقة لاكتشاف رؤوس القمح لتطبيقات في تحديد النمط الظاهري للقمح وإدارة المحاصيل. رؤوس القمح، والمعروفة أيضًا باسم السنابل، هي الأجزاء الحاملة للحبوب في نبات القمح. يعد التقدير الدقيق لكثافة وحجم رأس القمح أمرًا ضروريًا لتقييم صحة المحصول ونضجه وإمكانية إنتاجه. تغطي مجموعة البيانات، التي تم إنشاؤها بالتعاون بين تسعة معاهد بحثية من سبعة بلدان، مناطق نمو متعددة لضمان تعميم النماذج بشكل جيد عبر البيئات المختلفة.

الميزات الرئيسية

• تحتوي مجموعة البيانات على أكثر من 3000 صورة تدريبية من أوروبا (فرنسا والمملكة المتحدة وسويسرا) وأمريكا الشمالية (كندا).
• يتضمن ما يقرب من 1000 صورة اختبارية من أستراليا واليابان والصين.
• الصور هي صور لحقول خارجية، تلتقط التباين الطبيعي في مظاهر سنابل القمح.
• تتضمن التعليقات التوضيحية مربعات محيطة لرأس القمح لدعم مهام اكتشاف الكائنات.

هيكل مجموعة البيانات

يتم تنظيم مجموعة بيانات Global Wheat Head في مجموعتين فرعيتين رئيسيتين:

1. مجموعة التدريب: تحتوي هذه المجموعة الفرعية على أكثر من 3000 صورة من أوروبا وأمريكا الشمالية. تم تسمية الصور بمربعات إحاطة لرؤوس القمح، مما يوفر بيانات دقيقة لتدريب نماذج الكشف عن الأجسام.
2. مجموعة الاختبار: تتكون هذه المجموعة الفرعية من حوالي 1000 صورة من أستراليا واليابان والصين. تُستخدم هذه الصور لتقييم أداء النماذج المدربة على الأنماط الجينية والبيئات والظروف الرصدية غير المرئية.

التطبيقات

تُستخدم مجموعة بيانات Global Wheat Head على نطاق واسع لتدريب وتقييم نماذج التعلم العميق في مهام اكتشاف رؤوس القمح. إن المجموعة المتنوعة من الصور في مجموعة البيانات، والتي تلتقط مجموعة واسعة من المظاهر والبيئات والظروف، تجعلها موردًا قيمًا للباحثين والممارسين في مجال توصيف النبات وإدارة المحاصيل.

ملف YAML لمجموعة البيانات

يتم استخدام ملف YAML (وهي لغة ترميز أخرى) لتحديد تكوين مجموعة البيانات. يحتوي على معلومات حول مسارات مجموعة البيانات وفئاتها ومعلومات أخرى ذات صلة. في حالة مجموعة بيانات Global Wheat Head، فإن GlobalWheat2020.yaml يتم الاحتفاظ بالملف في https://github.com/ultralytics/ultralytics/blob/main/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

الاستخدام

لتدريب نموذج YOLO11n على مجموعة بيانات Global Wheat Head لعدد 100 حقبة (epoch) بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالحجج المتاحة، ارجع إلى صفحة تدريب النموذج.

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

نماذج من البيانات والتعليقات التوضيحية

تحتوي مجموعة بيانات Global Wheat Head على مجموعة متنوعة من صور الحقول الخارجية، والتي تلتقط التباين الطبيعي في مظاهر ورؤوس القمح والبيئات والظروف. فيما يلي بعض الأمثلة على البيانات من مجموعة البيانات، جنبًا إلى جنب مع التعليقات التوضيحية المقابلة لها:

• اكتشاف رأس القمح: توضح هذه الصورة مثالاً على اكتشاف رأس القمح، حيث يتم وضع علامات على رؤوس القمح بمربعات محيطة. توفر مجموعة البيانات مجموعة متنوعة من الصور لتسهيل تطوير النماذج لهذه المهمة.

يعرض المثال تنوع وتعقيد البيانات في مجموعة بيانات رؤوس القمح العالمية ويسلط الضوء على أهمية الكشف الدقيق عن رؤوس القمح للتطبيقات في توصيف القمح وإدارة المحاصيل.

الاقتباسات والإقرارات

إذا كنت تستخدم مجموعة بيانات Global Wheat Head في بحثك أو عملك التطويري، فيرجى الاستشهاد بالورقة التالية:

@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}
}

نود أن نعرب عن تقديرنا للباحثين والمؤسسات التي ساهمت في إنشاء مجموعة البيانات العالمية لرأس القمح والحفاظ عليها كمورد قيم لمجتمع أبحاث توصيف النبات وإدارة المحاصيل. لمزيد من المعلومات حول مجموعة البيانات ومنشئيها، تفضل بزيارة موقع مجموعة البيانات العالمية لرأس القمح.

الأسئلة الشائعة

فيما تستخدم مجموعة البيانات العالمية لرؤوس القمح (Global Wheat Head Dataset)؟

تُستخدم مجموعة بيانات Global Wheat Head في المقام الأول لتطوير وتدريب نماذج التعلم العميق التي تهدف إلى اكتشاف رؤوس القمح. يعد هذا أمرًا بالغ الأهمية للتطبيقات في توصيف القمح وإدارة المحاصيل، مما يسمح بتقديرات أكثر دقة لكثافة رؤوس القمح وحجمها وإمكانات إنتاج المحاصيل الإجمالية. تساعد طرق الكشف الدقيقة في تقييم صحة المحاصيل ونضجها، وهو أمر ضروري للإدارة الفعالة للمحاصيل.

كيف يمكنني تدريب نموذج YOLO11n على مجموعة بيانات Global Wheat Head؟

لتدريب نموذج YOLO11n على مجموعة بيانات Global Wheat Head، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. تأكد من أن لديك GlobalWheat2020.yaml ملف الإعداد الذي يحدد مسارات ومسارات البيانات:

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

للحصول على قائمة شاملة بالحجج المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

ما هي الميزات الرئيسية لمجموعة البيانات العالمية لرأس القمح؟

تشمل الميزات الرئيسية لمجموعة بيانات رؤوس القمح العالمية ما يلي:

• أكثر من 3000 صورة تدريبية من أوروبا (فرنسا والمملكة المتحدة وسويسرا) وأمريكا الشمالية (كندا).
• ما يقرب من 1000 صورة اختبارية من أستراليا واليابان والصين.
• تغير كبير في مظاهر رأس القمح بسبب اختلاف البيئات المتنامية.
• شروحات تفصيلية مع مربعات إحاطة لرأس القمح للمساعدة في نماذج اكتشاف الكائنات.

تسهل هذه الميزات تطوير نماذج قوية قادرة على التعميم عبر مناطق متعددة.

أين يمكنني العثور على ملف YAML الخاص بتكوين مجموعة بيانات Global Wheat Head؟

ملف YAML الخاص بتكوين مجموعة بيانات Global Wheat Head، المسمى GlobalWheat2020.yaml، متاح على GitHub. يمكنك الوصول إليه على https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. يحتوي هذا الملف على معلومات ضرورية حول مسارات مجموعة البيانات والفئات وتفاصيل التكوين الأخرى اللازمة لتدريب النموذج في Ultralytics YOLO.

لماذا يعتبر الكشف عن رؤوس القمح مهمًا في إدارة المحاصيل؟

يعد اكتشاف رأس القمح أمرًا بالغ الأهمية في إدارة المحاصيل لأنه يتيح تقديرًا دقيقًا لكثافة وحجم رأس القمح، وهما أمران ضروريان لتقييم صحة المحصول ونضجه وإمكانية إنتاجه. من خلال الاستفادة من نماذج التعلم العميق المدربة على مجموعات بيانات مثل مجموعة بيانات رأس القمح العالمية، يمكن للمزارعين والباحثين مراقبة المحاصيل وإدارتها بشكل أفضل، مما يؤدي إلى تحسين الإنتاجية والاستخدام الأمثل للموارد في الممارسات الزراعية. يدعم هذا التقدم التكنولوجي الزراعة المستدامة ومبادرات الأمن الغذائي.

لمزيد من المعلومات حول تطبيقات الذكاء الاصطناعي في الزراعة، تفضل بزيارة الذكاء الاصطناعي في الزراعة.

📅 أُنشئ منذ سنة واحدة ✏️ تم التحديث منذ 3 أشهر

تعليقات