Global Wheat Head Dataset#

4,698

Global Wheat 2020

ultralytics

publicDetect

Global Wheat Head Detection 2020 dataset with 4,698 unique field images across 2,675 train, 747 validation, and 1,276 test images; 3,376 labeled images, 1,322 backgrounds or unlabeled test images, 145,411 wheat-head boxes, and one wheat_head class. The documented ETHZ train/validation overlap is normalized to validation only. Created by the Global Wheat Dataset consortium and described in Global Wheat Head Detection Dataset: A Large and Diverse Dataset of High-Resolution RGB-Labelled Images to Develop and Benchmark Wheat Head Detection Methods (David et al., 2020; DOI 10.34133/2020/3521852).

1 class1.5 GBAug 21, 2026

wheat_head

agriculturewheatobject-detection+1

Der Global Wheat Head Dataset (GWHD) ist ein Object Detection-Datensatz mit einer Klasse zur Erkennung von Weizenähren – den korntragenden Ähren der Weizenpflanze – in Außenfeldaufnahmen. Er bietet 3.422 Trainings-, 748 Validierungs- und 1.276 Testbilder, die in mehreren Anbauregionen aufgenommen wurden, und wurde durch die Zusammenarbeit von neun Forschungsinstituten aus sieben Ländern erstellt, damit Modelle auf verschiedene Umgebungen generalisieren können. Eine genaue Weizenährenerkennung bildet die Grundlage für Schätzungen von Ährendichte, -größe und -ertragspotenzial in der Plant Phenotyping und im Pflanzenmanagement.

Hauptfunktionen#

• Echte Feldaufnahmen im Freien, die die natürliche Variabilität im Erscheinungsbild von Weizenähren, bei der Beleuchtung und im Wachstumsstadium erfassen.
• Erstellt von neun Forschungsinstituten aus sieben Ländern, die europäische, nordamerikanische, asiatische und australische Anbauregionen abdecken, um eine starke Generalisierung über verschiedene Umgebungen hinweg zu gewährleisten.
• Bounding-Box-Annotationen für eine einzelne Klasse, wheat_head, bereit für Object Detection- und Tracking-Pipelines.
• Die Testbilder stammen von Genotypen und aus Regionen, die während des Trainings nicht verwendet wurden, und stellen somit einen echten Benchmark für die Generalisierung dar.

Datensatzstruktur#

Der Global Wheat Head Dataset ist in drei Teilmengen unterteilt, die durch die GlobalWheat2020.yaml-Konfiguration definiert sind und alle mit einer einzigen Klasse annotiert sind: wheat_head:

Anwendungen#

Der Global Wheat Head Dataset wird häufig zum Trainieren und Evaluieren von Deep Learning-Modellen für die Weizenährenerkennung verwendet. Seine vielfältigen Bilder über verschiedene Regionen, Genotypen und Bedingungen hinweg machen ihn zu einer wertvollen Ressource für das Plant Phenotyping und das Pflanzenmanagement – er unterstützt Ertragsschätzungen, die Überwachung der Pflanzengesundheit und die phänotypische Analyse.

Um Feldaufnahmen zu annotieren, Datensatzversionen in deinem Browser zu trainieren und zu verwalten, führe den vollständigen Workflow mit Ultralytics Platform aus.

Datensatz-YAML#

Eine YAML-Datei wird verwendet, um die Datensatzkonfiguration zu definieren. Sie legt die Pfade, Klassen und andere Konfigurationsdetails des Datensatzes fest. Für den Global Wheat Head Dataset wird die GlobalWheat2020.yaml-Datei unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml gepflegt.

# 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

Verwendung#

Um ein YOLO26n-Modell auf dem Global Wheat Head Dataset für 100 Epochs mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Codeausschnitte verwenden. Der Datensatz (~7,0 GB) wird bei der ersten Verwendung automatisch heruntergeladen. Eine umfassende Liste der verfügbaren Argumente findest du auf der Modellseite Training.

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)

Beispielbilder und Annotationen#

Das Global Wheat Head Dataset enthält eine vielfältige Sammlung von Feldaufnahmen im Freien, die die natürliche Variabilität im Aussehen von Weizenähren, Umgebungen und Bedingungen erfassen. Hier ist ein Beispielbild aus dem Datensatz, zusammen mit den entsprechenden Annotationen:

• Wheat Head Detection: Weizenähren sind mit Bounding Boxes für Object Detection über eine Vielzahl von Feldbedingungen hinweg annotiert, die die Vielfalt und Komplexität des Datensatzes widerspiegeln.

Zitate und Danksagungen#

Wenn du das Global Wheat Head Dataset in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Publikation:

@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}
}

Wir möchten den Forschern und Institutionen danken, die zur Erstellung und Pflege des Global Wheat Head Dataset als wertvolle Ressource für die Forschungsgemeinschaft im Bereich Pflanzenphänotypisierung und Pflanzenmanagement beigetragen haben. Weitere Informationen über den Datensatz und seine Ersteller findest du auf der Global Wheat Head Dataset website.

FAQ#