Globales Weizenkopf-Datenset#

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

Das Global Wheat Head Dataset (GWHD) ist ein Objekterkennungs-Datensatz mit einer einzigen Klasse zur Erkennung von Weizenköpfen – den körnertragenden Ähren der Weizenpflanze – in Außenaufnahmen von Feldern. Es umfasst 3.422 Trainings-, 748 Validierungs- und 1.276 Testbilder, die in mehreren Anbauregionen aufgenommen wurden. Erstellt wurde es durch die Zusammenarbeit von neun Forschungseinrichtungen aus sieben Ländern, damit Modelle auf unterschiedliche Umgebungen generalisieren. Eine präzise Erkennung von Weizenköpfen bildet die Grundlage für die Schätzung von Kopf- und Ährendichte, Größe und Ertragspotenzial beim Pflanzenphänotyping und in der Pflanzenbestandsführung.

Wichtige Funktionen#

• Echte Außenaufnahmen von Feldern, die die natürliche Variabilität des Aussehens von Weizenköpfen, der Beleuchtung und der Wachstumsstadien erfassen.
• Erstellt von neun Forschungseinrichtungen aus sieben Ländern und mit Anbauregionen in Europa, Nordamerika, Asien und Australien, um eine zuverlässige Generalisierung über verschiedene Umgebungen hinweg zu ermöglichen.
• Begrenzungsrahmen-Annotationen für eine einzelne Klasse, wheat_head, bereit für Objekterkennungs- und Tracking-Pipelines.
• Die Testbilder stammen aus Genotypen und Regionen, die während des Trainings nicht vorkamen, und bieten damit einen echten Benchmark für die Generalisierungsfähigkeit.

Datensatzstruktur#

Das Global Wheat Head Dataset ist in drei Teilmengen gegliedert, die durch die Konfiguration GlobalWheat2020.yaml definiert werden. Alle sind mit einer einzigen Klasse, wheat_head, annotiert:

Anwendungen#

Das Global Wheat Head Dataset wird häufig zum Trainieren und Evaluieren von Deep-Learning-Modellen zur Erkennung von Weizenköpfen eingesetzt. Die vielfältigen Aufnahmen aus verschiedenen Regionen, Genotypen und Bedingungen machen es zu einer wertvollen Ressource für das Pflanzenphänotyping und die Pflanzenbestandsführung – unter anderem zur Ertragsschätzung, zur Überwachung der Pflanzengesundheit und für phänotypische Analysen.

Um Feldaufnahmen zu annotieren sowie Datensätze in deinem Browser zu trainieren und ihre Versionen zu verwalten, führe den vollständigen Workflow mit der Ultralytics Platform aus.

Dataset-YAML#

Eine YAML-Datei dient zur Definition der Datensatzkonfiguration. Sie legt die Pfade, Klassen und weitere Konfigurationsdetails des Datensatzes fest. Für das Global Wheat Head Dataset wird die Datei GlobalWheat2020.yaml 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 100 Epochen lang mit einer Bildgröße von 640 auf dem Global Wheat Head Dataset zu trainieren, kannst du die folgenden Codeausschnitte verwenden. Der Datensatz (~7.0 GB) wird bei der ersten Verwendung automatisch heruntergeladen. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite zum Training des Modells.

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 Außenaufnahmen aus Feldern, die die natürliche Variabilität des Aussehens von Weizenköpfen sowie der Umgebungen und Bedingungen erfassen. Hier ist ein Beispielbild aus dem Datensatz zusammen mit den zugehörigen Annotationen:

• Erkennung von Weizenköpfen: Weizenköpfe sind mit Begrenzungsrahmen für die Objekterkennung annotiert. Die Aufnahmen stammen aus unterschiedlichsten Feldbedingungen und spiegeln die Vielfalt und Komplexität des Datensatzes wider.

Zitate und Danksagungen#

Wenn du das Global Wheat Head Dataset in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Veröffentlichung:

@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 Forschenden und Institutionen danken, die zur Erstellung und Pflege des Global Wheat Head Dataset als wertvolle Ressource für die Forschungsgemeinschaft im Bereich Pflanzenphänotyping und Pflanzenbestandsführung beigetragen haben. Weitere Informationen zum Datensatz und seinen Erstellern findest du auf der Website des Global Wheat Head Dataset.

FAQ#