مجموعة بيانات رؤوس القمح العالمية#

4,698

Global Wheat 2020

ultralytics

publicDetect

Global Wheat 2020 is the consortium's diverse field benchmark for wheat-head localization. Images span cultivars, countries, sites, growth stages, illumination, density, overlap, and imaging conditions, supporting robust crop counting and global model generalization.

1 class1.5 GBSep 2, 2026

wheat_head

agriculturewheatobject-detection+1

تُعد مجموعة بيانات رؤوس القمح العالمية (GWHD) مجموعة بيانات أحادية الفئة لـاكتشاف الأجسام، مخصصة لاكتشاف رؤوس القمح — وهي السنابل الحاملة للحبوب في نبات القمح — في صور الحقول الخارجية. وتوفر 3,422 صورة للتدريب، و748 صورة للتحقق، و1,276 صورة للاختبار، جُمعت عبر مناطق زراعية متعددة، وأنشأتها شراكة بين تسع مؤسسات بحثية من سبع دول بهدف تمكين النماذج من التعميم عبر البيئات المختلفة. ويشكّل اكتشاف رؤوس القمح بدقة أساسًا لتقدير كثافة الرؤوس وحجمها وإمكانات المحصول في التنميط الظاهري للنباتات وإدارة المحاصيل.

الميزات الرئيسية#

• صور حقيقية لحقول خارجية تلتقط التباين الطبيعي في مظهر رؤوس القمح والإضاءة ومرحلة النمو.
• أنشأتها تسع مؤسسات بحثية في سبع دول، وتغطي مناطق زراعة أوروبية وأمريكية شمالية وآسيوية وأسترالية لتحقيق تعميم قوي عبر البيئات.
• تعليقات مربعات إحاطة لفئة واحدة، wheat_head، جاهزة لخطوط أنابيب اكتشاف الأجسام والتتبع.
• تأتي صور الاختبار من أنماط وراثية ومناطق لم تظهر أثناء التدريب، مما يوفر معيارًا حقيقيًا لقياس التعميم.

بنية مجموعة البيانات#

تُنظَّم مجموعة بيانات رؤوس القمح العالمية في ثلاث مجموعات فرعية يحددها إعداد GlobalWheat2020.yaml، وجميعها مشروحة بفئة واحدة، wheat_head:

التطبيقات#

تُستخدم مجموعة بيانات رؤوس القمح العالمية على نطاق واسع لتدريب نماذج التعلم العميق وتقييمها في اكتشاف رؤوس القمح. وتجعل صورها المتنوعة عبر المناطق والأنماط الوراثية والظروف منها موردًا قيّمًا لـالتنميط الظاهري للنباتات وإدارة المحاصيل، إذ تدعم تقدير المحصول ومراقبة صحة المحاصيل والتحليل الظاهري.

لتعليق صور الحقول وتدريب النماذج وإدارة إصدارات مجموعات البيانات في متصفحك، نفّذ سير العمل الكامل باستخدام Ultralytics Platform.

YAML مجموعة البيانات#

يُستخدم ملف YAML لتعريف إعداد مجموعة البيانات. ويحدد هذا الملف مسارات مجموعة البيانات وفئاتها وتفاصيل الإعداد الأخرى. وبالنسبة إلى مجموعة بيانات رؤوس القمح العالمية، يُدار ملف GlobalWheat2020.yaml 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 YOLO26n على مجموعة بيانات رؤوس القمح العالمية لمدة 100 حقبة وبحجم صورة يبلغ 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. تُنزَّل مجموعة البيانات (~7.0 GB) تلقائيًا عند الاستخدام الأول. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)

الصور والتعليقات التوضيحية النموذجية#

تحتوي مجموعة بيانات رؤوس القمح العالمية على مجموعة متنوعة من صور الحقول الخارجية التي تلتقط التباين الطبيعي في مظهر رؤوس القمح والبيئات والظروف. فيما يلي صورة نموذجية من مجموعة البيانات، مع تعليقاتها التوضيحية المقابلة:

• اكتشاف رؤوس القمح: أُشير إلى رؤوس القمح بمربعات إحاطة من أجل اكتشاف الأجسام، عبر مجموعة متنوعة من ظروف الحقول التي تعكس تنوع مجموعة البيانات وتعقيدها.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات رؤوس القمح العالمية في أبحاثك أو أعمالك التطويرية، يُرجى الاستشهاد بالورقة البحثية 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 الإشادة بالباحثين والمؤسسات الذين أسهموا في إنشاء مجموعة بيانات رؤوس القمح العالمية وصيانتها بوصفها موردًا قيّمًا لمجتمع أبحاث التنميط الظاهري للنباتات وإدارة المحاصيل. لمزيد من المعلومات حول مجموعة البيانات ومنشئيها، تفضل بزيارة موقع مجموعة بيانات رؤوس القمح العالمية.

الأسئلة الشائعة#