Global Wheat Head Dataset (Conjunto de Dados Global de Cabeças de Trigo)
O Global Wheat Head Dataset é uma coleção de imagens projetada para apoiar o desenvolvimento de modelos precisos de detecção de espigas de trigo para aplicações em fenotipagem de trigo e manejo de culturas. As espigas de trigo, também conhecidas como espigas, são as partes da planta de trigo que contêm grãos. A estimativa precisa da densidade e do tamanho da espiga de trigo é essencial para avaliar a saúde da cultura, a maturidade e o potencial de rendimento. O conjunto de dados, criado por uma colaboração de nove institutos de pesquisa de sete países, abrange várias regiões de cultivo para garantir que os modelos se generalizem bem em diferentes ambientes.
Principais Características
- O conjunto de dados contém mais de 3.000 imagens de treinamento da Europa (França, Reino Unido, Suíça) e da América do Norte (Canadá).
- Inclui aproximadamente 1.000 imagens de teste da Austrália, Japão e China.
- As imagens são imagens de campos ao ar livre, capturando a variabilidade natural nas aparências das espigas de trigo.
- As anotações incluem caixas delimitadoras de cabeça de trigo para suportar tarefas de detecção de objetos.
Estrutura do Conjunto de Dados
O Conjunto de Dados Global de Cabeças de Trigo é organizado em dois subconjuntos principais:
- Conjunto de Treino: Este subconjunto contém mais de 3.000 imagens da Europa e da América do Norte. As imagens são rotuladas com caixas delimitadoras de cabeças de trigo, fornecendo a verdade fundamental para treinar modelos de detecção de objetos.
- Conjunto de Teste: Este subconjunto consiste em aproximadamente 1.000 imagens da Austrália, Japão e China. Essas imagens são usadas para avaliar o desempenho de modelos treinados em genótipos, ambientes e condições observacionais não vistos.
Aplicações
O Conjunto de Dados Global de Cabeças de Trigo é amplamente utilizado para treinar e avaliar modelos de aprendizado profundo em tarefas de detecção de cabeças de trigo. O conjunto diversificado de imagens do conjunto de dados, capturando uma ampla gama de aparências, ambientes e condições, o torna um recurso valioso para pesquisadores e profissionais no campo de fenotipagem de plantas e gerenciamento de culturas.
YAML do Conjunto de Dados
Um arquivo YAML (Yet Another Markup Language) é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos, classes e outras informações relevantes do conjunto de dados. Para o caso do Conjunto de Dados Global de Cabeças de Trigo, o GlobalWheat2020.yaml arquivo é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml.
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
Utilização
Para treinar um modelo YOLO11n no Global Wheat Head Dataset por 100 epochs com um tamanho de imagem de 640, você pode usar os seguintes trechos de código. Para uma lista completa de argumentos disponíveis, consulte a página de Treinamento do modelo.
Exemplo de Treinamento
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
Dados de Amostra e Anotações
O Conjunto de Dados Global de Cabeças de Trigo contém um conjunto diversificado de imagens de campos ao ar livre, capturando a variabilidade natural nas aparências, ambientes e condições das cabeças de trigo. Aqui estão alguns exemplos de dados do conjunto de dados, juntamente com suas anotações correspondentes:
- Detecção de Espigas de Trigo: Esta imagem demonstra um exemplo de detecção de espigas de trigo, onde as espigas de trigo são anotadas com caixas delimitadoras. O conjunto de dados fornece uma variedade de imagens para facilitar o desenvolvimento de modelos para esta tarefa.
O exemplo mostra a variedade e a complexidade dos dados no Conjunto de Dados Global Wheat Head e destaca a importância da detecção precisa da cabeça de trigo para aplicações em fenotipagem de trigo e gerenciamento de culturas.
Citações e Agradecimentos
Se você usar o Global Wheat Head Dataset em seu trabalho de pesquisa ou desenvolvimento, por favor, cite o seguinte artigo:
@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}
}
Gostaríamos de agradecer aos pesquisadores e instituições que contribuíram para a criação e manutenção do Global Wheat Head Dataset como um recurso valioso para a comunidade de pesquisa em fenotipagem de plantas e gerenciamento de culturas. Para obter mais informações sobre o conjunto de dados e seus criadores, visite o site do Global Wheat Head Dataset.
FAQ
Para que é usado o Conjunto de Dados Global Wheat Head?
O Conjunto de Dados Global de Cabeças de Trigo é usado principalmente para desenvolver e treinar modelos de aprendizado profundo destinados à detecção de cabeças de trigo. Isso é crucial para aplicações em fenotipagem de trigo e gerenciamento de culturas, permitindo estimativas mais precisas da densidade de cabeças de trigo, tamanho e potencial geral de rendimento da cultura. Métodos de detecção precisos ajudam na avaliação da saúde e maturidade da cultura, essenciais para o gerenciamento eficiente da cultura.
Como faço para treinar um modelo YOLO11n no Global Wheat Head Dataset?
Para treinar um modelo YOLO11n no Global Wheat Head Dataset, você pode usar os seguintes trechos de código. Certifique-se de que você tem o GlobalWheat2020.yaml arquivo de configuração especificando caminhos e classes do conjunto de dados:
Exemplo de Treinamento
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
Para uma lista completa dos argumentos disponíveis, consulte a página de Treinamento do modelo.
Quais são as principais características do conjunto de dados Global Wheat Head?
As principais características do Global Wheat Head Dataset incluem:
- Mais de 3.000 imagens de treinamento da Europa (França, Reino Unido, Suíça) e América do Norte (Canadá).
- Aproximadamente 1.000 imagens de teste da Austrália, Japão e China.
- Alta variabilidade nas aparências das espigas de trigo devido a diferentes ambientes de cultivo.
- Anotações detalhadas com caixas delimitadoras de cabeças de trigo para auxiliar os modelos de deteção de objetos.
Esses recursos facilitam o desenvolvimento de modelos robustos capazes de generalização em várias regiões.
Onde posso encontrar o arquivo YAML de configuração para o Global Wheat Head Dataset?
O arquivo YAML de configuração para o Conjunto de Dados Global de Cabeças de Trigo, denominado GlobalWheat2020.yaml, está disponível no GitHub. Você pode acessá-lo em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. Este arquivo contém informações necessárias sobre caminhos de conjuntos de dados, classes e outros detalhes de configuração necessários para o treinamento do modelo em YOLO Ultralytics.
Por que a detecção de espigas de trigo é importante no manejo de culturas?
A detecção de espigas de trigo é fundamental no gerenciamento de culturas, pois permite a estimativa precisa da densidade e tamanho das espigas de trigo, que são essenciais para avaliar a saúde, a maturação e o potencial de rendimento da cultura. Ao aproveitar modelos de aprendizado profundo treinados em datasets como o Global Wheat Head Dataset, agricultores e pesquisadores podem monitorar e gerenciar melhor as colheitas, levando a uma melhoria da produtividade e ao uso otimizado de recursos nas práticas agrícolas. Este avanço tecnológico apoia a agricultura sustentável e as iniciativas de segurança alimentar.
Para obter mais informações sobre aplicações de IA na agricultura, visite IA na Agricultura.
