İçeriğe geç

Global Wheat Head Veri Kümesi

Global Wheat Head Veri Kümesi, buğday fenotipleme ve ürün yönetimi uygulamaları için doğru buğday başı algılama modellerinin geliştirilmesini desteklemek üzere tasarlanmış bir görüntü koleksiyonudur. Başaklar olarak da bilinen buğday başları, buğday bitkisinin tane taşıyan kısımlarıdır. Buğday başı yoğunluğunun ve boyutunun doğru tahmini, ürün sağlığını, olgunluğunu ve verim potansiyelini değerlendirmek için çok önemlidir. Yedi ülkeden dokuz araştırma enstitüsünün işbirliğiyle oluşturulan veri kümesi, modellerin farklı ortamlarda iyi genellemesini sağlamak için birden fazla yetiştirme bölgesini kapsar.

Temel Özellikler

  • Veri kümesi, Avrupa'dan (Fransa, İngiltere, İsviçre) ve Kuzey Amerika'dan (Kanada) 3.000'den fazla eğitim görüntüsü içermektedir.
  • Avustralya, Japonya ve Çin'den yaklaşık 1.000 test görüntüsü içerir.
  • Görüntüler, buğday başağı görünümlerindeki doğal değişkenliği yakalayan açık alan görüntüleridir.
  • Açıklamalar, nesne algılama görevlerini desteklemek için buğday başı sınırlayıcı kutularını içerir.

Veri Seti Yapısı

Global Wheat Head Veri Seti, iki ana alt kümeye ayrılmıştır:

  1. Eğitim Kümesi: Bu alt küme, Avrupa ve Kuzey Amerika'dan 3.000'den fazla görsel içerir. Görseller, nesne tespiti modellerini eğitmek için temel doğruluk sağlayan buğday başağı sınırlayıcı kutularıyla etiketlenmiştir.
  2. Test Kümesi: Bu alt küme, Avustralya, Japonya ve Çin'den yaklaşık 1.000 görüntüden oluşur. Bu görüntüler, eğitilmiş modellerin görülmemiş genotipler, ortamlar ve gözlemsel koşullar üzerindeki performansını değerlendirmek için kullanılır.

Uygulamalar

Küresel Buğday Baş Veri Kümesi, buğday başı algılama görevlerinde derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. Veri kümesinin çok çeşitli görünümleri, ortamları ve koşulları yakalayan çeşitli görüntü kümesi, bitki fenotiplemesi ve mahsul yönetimi alanındaki araştırmacılar ve uygulayıcılar için değerli bir kaynaktır.

Veri Seti YAML

Bir YAML (Yet Another Markup Language) dosyası, veri kümesi yapılandırmasını tanımlamak için kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri hakkında bilgiler içerir. Global Wheat Head Veri Kümesi örneğinde, GlobalWheat2020.yaml dosyası şu adreste tutulur: 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

Kullanım

640 görüntü boyutuyla 100 epoch için Global Wheat Head Veri Kümesinde bir YOLO11n modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.

Eğitim Örneği

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

Örnek Veri ve Açıklamalar

Global Wheat Head Veri Seti, buğday başağı görünümlerindeki, ortamlardaki ve koşullardaki doğal değişkenliği yakalayan çeşitli açık alan görüntüleri içerir. İşte veri setinden bazı veri örnekleri ve bunlara karşılık gelen açıklamalar:

Veri kümesi örnek görüntüsü

  • Buğday Başı Tespiti: Bu görüntü, buğday başlarının sınırlayıcı kutularla işaretlendiği bir buğday başı tespiti örneğini göstermektedir. Veri seti, bu görev için modellerin geliştirilmesini kolaylaştırmak için çeşitli görüntüler sunar.

Örnek, Global Wheat Head Veri Setindeki verilerin çeşitliliğini ve karmaşıklığını sergilemekte ve buğday fenotipleme ve ürün yönetimi uygulamaları için doğru buğday başı tespitinin önemini vurgulamaktadır.

Alıntılar ve Teşekkürler

Araştırma veya geliştirme çalışmalarınızda Global Wheat Head Veri Kümesini kullanırsanız, lütfen aşağıdaki makaleye atıfta 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 ürün yönetimi araştırma topluluğu için değerli bir kaynak olarak Global Wheat Head Veri Seti'nin oluşturulmasına ve sürdürülmesine katkıda bulunan araştırmacılara ve kurumlara teşekkür ederiz. Veri seti ve yaratıcıları hakkında daha fazla bilgi için Global Wheat Head Veri Seti web sitesini ziyaret edin.

SSS

Global Wheat Head Veri Seti ne için kullanılır?

Küresel Buğday Baş Veri Kümesi, öncelikle buğday başı algılamayı amaçlayan derin öğrenme modelleri geliştirmek ve eğitmek için kullanılır. Bu, buğday fenotiplemesi ve mahsul yönetimi uygulamalarında çok önemlidir ve buğday başı yoğunluğu, boyutu ve genel mahsul verimi potansiyelinin daha doğru tahmin edilmesini sağlar. Doğru algılama yöntemleri, verimli mahsul yönetimi için gerekli olan mahsul sağlığını ve olgunluğunu değerlendirmeye yardımcı olur.

Global Wheat Head Veri Kümesi üzerinde bir YOLO11n modeli nasıl eğitirim?

Global Wheat Head Veri Kümesinde bir YOLO11n modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Sahip olduğunuzdan emin olun GlobalWheat2020.yaml veri kümesi yollarını ve sınıflarını belirten yapılandırma dosyası:

Eğitim Örneği

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

Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.

Global Wheat Head Dataset'in temel özellikleri nelerdir?

Global Buğday Baş Veri Setinin temel özellikleri şunlardır:

  • Avrupa'dan (Fransa, İngiltere, İsviçre) ve Kuzey Amerika'dan (Kanada) 3.000'den fazla eğitim görüntüsü.
  • Avustralya, Japonya ve Çin'den yaklaşık 1.000 test görüntüsü.
  • Farklı yetiştirme ortamları nedeniyle buğday başağı görünümlerinde yüksek değişkenlik.
  • Nesne tespiti modellerine yardımcı olmak için buğday başı sınırlayıcı kutuları ile detaylı açıklamalar.

Bu özellikler, birden çok bölgede genelleme yapabilen sağlam modellerin geliştirilmesini kolaylaştırır.

Global Wheat Head Dataset için yapılandırma YAML dosyasını nerede bulabilirim?

Global Wheat Head Veri Kümesi için yapılandırma YAML dosyası, GlobalWheat2020.yaml, GitHub'da mevcuttur. Şu adresten erişebilirsiniz: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. Bu dosya, veri kümesi yolları, sınıflar ve model eğitimi için gereken diğer yapılandırma ayrıntıları hakkında gerekli bilgileri içerir. Ultralytics YOLO.

Buğday başı tespiti, ürün yönetiminde neden önemlidir?

Buğday başı tespiti, ürün sağlığını, olgunluğunu ve verim potansiyelini değerlendirmek için gerekli olan buğday başı yoğunluğu ve boyutunun doğru bir şekilde tahmin edilmesini sağladığı için ürün yönetiminde kritik öneme sahiptir. Global Wheat Head Dataset gibi veri kümeleri üzerinde eğitilmiş derin öğrenme modellerinden yararlanarak, çiftçiler ve araştırmacılar ürünleri daha iyi izleyebilir ve yönetebilir, bu da tarım uygulamalarında iyileştirilmiş verimliliğe ve optimize edilmiş kaynak kullanımına yol açar. Bu teknolojik gelişme, sürdürülebilir tarım ve gıda güvenliği girişimlerini desteklemektedir.

Yapay zekanın tarımdaki uygulamaları hakkında daha fazla bilgi için Tarımda Yapay Zeka sayfasını ziyaret edin.



📅 1 yıl önce oluşturuldu ✏️ 3 ay önce güncellendi
glenn-jocher UltralyticsAssistant MatthewNoyce RizwanMunawar Laughing-q

Yorumlar