{
  "fetched_at": "2026-10-19T11:23:15Z",
  "source_url": "https://www.kaggle.com/competitions/grapesfhj-2024/data",
  "pages": [
    {
      "name": "data-description",
      "content": "Im Unterverzeichnis \"data\" befinden sich sowohl Trainings- als auch Testdaten im .jpg Format\n\nIm Unterverzeichnis \"annotations\" befinden sich die Dateien \"train.json\" und \"test.json\".\nSie enthalten die Daten-Annotation im COCO-Format (Funktionen zum Einlesen der Daten werden in der Code-Baseline zur Verfügung gestellt)\n\ntrain.json enthält eine Liste der Trainings-Bilder (file-name, breite, höhe, id), eine Liste der Objekte (Trauben) als Polygon und als Bounding Box und eine Klassenliste (jede Traube gehört einer Rebsorte an, das ist hier aber von untergeordneter Bedeutung - die Traube zählt als Traube)\n\ntest.json enthält eine Liste der Trainings-Bilder (file-name, breite, höhe, id)",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "Evaluation",
      "content": "Dieser Wettbewerb wird anhand des mittleren Dice-Koeffizienten bewertet. Der Dice-Koeffizient kann verwendet werden, um die pixelweise Übereinstimmung zwischen einer vorhergesagten Segmentierung und der entsprechenden Grundwahrheit zu vergleichen. Die Formel wird wie folgt angegeben:\n\n$$ \\frac{2 * |X \\cap Y|}{|X| + |Y|} $$\n\nwobei X die vorhergesagte Menge von Pixeln und Y die Grundwahrheit ist. Der Dice-Koeffizient ist 1 bei perfekter Übereinstimmung, und 0 falls, keine Überschneidung gegeben ist. Das Leaderboard-Ergebnis ist der Mittelwert der Dice-Koeffizienten für jedes Bild im Testsatz.\n\n\n**Submission File**\n\nUm die Größe der einzureichenden Datei zu verringern, verwendet die Metrik eine Lauflängenkodierung (Run Length Encoding - RLE) der Pixelwerte. Anstatt eine vollständige Liste von Indizes für Ihre Segmentierung einzureichen, übermitteln Sie Wertepaare, die eine Startposition und eine Lauflänge enthalten. So bedeutet z. B. \"1 3\", dass Sie bei Pixel 1 beginnen und insgesamt 3 Pixel (1,2,3) durchlaufen.\n\nBeachten Sie, dass die Maske zum Zeitpunkt der Kodierung binär sein sollte, d. h. die Masken für alle Objekte in einem Bild werden zu einer einzigen großen Maske zusammengefasst. Ein Wert von 0 sollte Pixel anzeigen, die nicht maskiert sind, und ein Wert von 1 zeigt an, dass Pixel maskiert sind.\n\nDas Wettbewerbsformat erfordert eine durch Leerzeichen getrennte Liste von Paaren. So bedeutet beispielsweise \"1 3 10 5\", dass die Pixel 1,2,3,10,11,12,13,14 in die Maske aufgenommen werden sollen. Die Metrik überprüft, ob die Paare sortiert und positiv sind und ob die dekodierten Pixelwerte nicht doppelt vorhanden sind. Eine Funktion zur RLE Codierung einer binären Maske wird in der Code-Baseline bereitgestellt\nDie Datei sollte eine Kopfzeile enthalten und das folgende Format haben:\n\n    id,rle_segmentation\n    test_000,1 3 10 5\n    test_001,727318 2 729365 3\n    test_002,301952 18 304000 19\n    etc.",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "rules",
      "content": "**Teams**\n\nTeams mit bis zu 4 Teammitgliedern sind erlaubt. \nDie abgegebene Lösung (submission) und die Code-Teile des jupyter-Notebooks können identisch sein.\nACHTUNG: Die Dokumentation des Codes muss eine Erläuterung der wichtigsten Berechnungsschritte beinhalten. \n\n - Don't cheat!\n - Apply yourself!\n - Have fun!",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    },
    {
      "name": "abstract",
      "content": "**Beschreibung**\n\nDer WGISD (Wine Grape Instance Segmentation Dataset) Datensatz enthält Bilder von Rebstöcken mit Weintrauben. Der Datensatz verfügt in dessen Annotation über Bounding Boxen und Polygone, die einzelne Trauben kennzeichnen. Diese Competition nutzt nur jenen Teil des Datensatzes, der die Trauben als umrandendes Polygon bzw. als Pixelmaske kennzeichnet.\n\nDie Bilder haben unterschiedliche horizontale und vertikale Abmesungen\n\nDas Traininigsset besteht aus 109 Bildern\nDas Testset besteht aus 28 Bildern\n\nAufgabe ist es, jene Bildbereiche (auf Pixel-Basis) zu erkennen, auf welchen sich Trauben befinden.\nZiel ist es NICHT einzelne Instanzen (Trauben) auszumachen oder mit einer Bounding Box zu kennzeichnen.\n\nD.h. je Bild wird eine Pixelmaske erzeugt, die in Summe alle Bereiche markiert, wo sich Trauben befinden.\n\nFür das Training müssen diese Masken erst als Zusammenschau aller Trauben-Objekte erstellt werden.\n\n\n**Acknowledgements**\n\nEmbrapa WGISD (Wine Grape Instance Segmentation Dataset) was created to provide images and annotation to study object detection and instance segmentation for image-based monitoring and field robotics in viticulture. It provides instances from five different grape varieties taken on field. These instances shows variance in grape pose, illumination and focus, including genetic and phenological variations such as shape, color and compactness.\n\nThe building of the WGISD dataset was supported by the Embrapa SEG Project 01.14.09.001.05.04, Image-based metrology for Precision Agriculture and Phenotyping, and the CNPq PIBIC Program (grants 161165/2017-6 and 125044/2018-6).\n\nhttps://github.com/thsant/wgisd",
      "isPublished": false,
      "hasIsPublished": false,
      "postTitle": "",
      "hasPostTitle": false,
      "mimeType": "",
      "hasMimeType": false
    }
  ]
}