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

مجموعة بيانات رؤوس القمح العالمية (GWHD) هي مجموعة بيانات ذات فئة واحدة لاكتشاف الكائنات، مخصصة لاكتشاف سنابل القمح — وهي السنابل الحاملة للحبوب في نبات القمح — في صور الحقول الخارجية. وتتضمن 3,422 صورة للتدريب و748 للتحقق و1,276 للاختبار، التُقطت في مناطق زراعية متعددة، وأُنشئت بتعاون تسعة معاهد بحثية من سبع دول لضمان تعميم النماذج عبر بيئات مختلفة. ويُعدّ اكتشاف سنابل القمح بدقة أساسًا لتقدير كثافة السنابل وحجمها وإمكانات المحصول في التنميط الظاهري للنباتات وإدارة المحاصيل.

الميزات الرئيسية#

• صور حقيقية لحقول خارجية تلتقط التباين الطبيعي في مظهر سنابل القمح والإضاءة ومرحلة النمو.
• أنشأتها تسعة معاهد بحثية في سبع دول، وتشمل مناطق زراعية أوروبية وأمريكية شمالية وآسيوية وأسترالية لتعزيز التعميم عبر البيئات.
• تعليقات توضيحية لمربعات إحاطة لفئة واحدة، wheat_head، جاهزة لمسارات اكتشاف الكائنات وتتبّعها.
• تأتي صور الاختبار من أنماط وراثية ومناطق لم تظهر في التدريب، ما يوفر معيارًا حقيقيًا لقياس التعميم.

بنية مجموعة البيانات#

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

التطبيقات#

تُستخدم مجموعة بيانات رؤوس القمح العالمية على نطاق واسع لتدريب نماذج التعلم العميق وتقييمها في مهمة اكتشاف رؤوس القمح. وتجعل صورها المتنوعة من مناطق وأنماط وراثية وظروف مختلفة منها موردًا قيّمًا لـالتنميط الظاهري للنباتات وإدارة المحاصيل، إذ تدعم تقدير الغلة ومراقبة صحة المحاصيل والتحليل الظاهري.

لإضافة تعليقات توضيحية إلى صور الحقول، والتدريب، وإدارة إصدارات مجموعات البيانات في متصفحك، نفّذ سير العمل بالكامل باستخدام Ultralytics Platform.

ملف YAML لمجموعة البيانات#

يُستخدم ملف YAML لتحديد إعدادات مجموعة البيانات. وهو يحدد مسارات مجموعة البيانات وفئاتها وتفاصيل الإعداد الأخرى. وبالنسبة إلى مجموعة بيانات رؤوس القمح العالمية، تتم صيانة الملف 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 صور قدره 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. تُنزّل مجموعة البيانات (~7.0 GB) تلقائيًا عند استخدامها للمرة الأولى. للاطلاع على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

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

صور وتعليقات توضيحية نموذجية#

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

• اكتشاف رؤوس القمح: تُحدَّد رؤوس القمح بمربعات إحاطة لمهمة اكتشاف الكائنات، ضمن مجموعة متنوعة من ظروف الحقول التي تعكس تنوع مجموعة البيانات وتعقيدها.

الاستشهادات والشكر والتقدير#

إذا استخدمت مجموعة بيانات رؤوس القمح العالمية في أبحاثك أو أعمال التطوير، فيُرجى 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 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 عن مجموعة البيانات ومطوريها، تفضل بزيارة موقع مجموعة بيانات رؤوس القمح العالمية.

الأسئلة الشائعة#