Conjunto de datos Global Wheat Head#

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

El conjunto de datos Global Wheat Head (GWHD) es un conjunto de datos de detección de objetos de una sola clase para detectar espigas de trigo —las espigas de la planta de trigo que contienen los granos— en imágenes de campos al aire libre. Proporciona 3.422 imágenes de entrenamiento, 748 de validación y 1.276 de prueba, capturadas en varias regiones de cultivo. Lo creó una colaboración de nueve institutos de investigación de siete países para que los modelos generalicen en distintos entornos. La detección precisa de espigas de trigo permite estimar su densidad, tamaño y rendimiento potencial en el fenotipado vegetal y la gestión de cultivos.

Características principales#

• Imágenes reales de campos al aire libre que reflejan la variabilidad natural del aspecto de las espigas de trigo, la iluminación y las fases de crecimiento.
• Creado por nueve institutos de investigación de siete países, abarca regiones de cultivo de Europa, Norteamérica, Asia y Australia para lograr una sólida generalización entre entornos.
• Anotaciones de cuadros delimitadores para una sola clase, wheat_head, listas para las canalizaciones de detección de objetos y seguimiento.
• Las imágenes de prueba proceden de genotipos y regiones que no aparecen en el entrenamiento, por lo que ofrecen una evaluación real de la capacidad de generalización.

Estructura del conjunto de datos#

El conjunto de datos Global Wheat Head está organizado en tres subconjuntos definidos en la configuración GlobalWheat2020.yaml, todos anotados con una sola clase, wheat_head:

Aplicaciones#

El Global Wheat Head Dataset se utiliza ampliamente para entrenar y evaluar modelos de aprendizaje profundo destinados a detectar espigas de trigo. Sus diversas imágenes, tomadas en distintas regiones, con diferentes genotipos y en condiciones variadas, lo convierten en un valioso recurso para el fenotipado vegetal y la gestión de cultivos, ya que permite estimar el rendimiento, supervisar la salud de los cultivos y realizar análisis fenotípicos.

Para anotar imágenes de campo, entrenar y gestionar versiones de conjuntos de datos desde el navegador, ejecuta todo el flujo de trabajo con Ultralytics Platform.

YAML del conjunto de datos#

Se utiliza un archivo YAML para definir la configuración del conjunto de datos. En él se especifican las rutas, las clases y otros detalles de configuración del conjunto de datos. En el caso del Global Wheat Head Dataset, el archivo GlobalWheat2020.yaml se mantiene en 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

Uso#

Para entrenar un modelo YOLO26n con el Global Wheat Head Dataset durante 100 épocas y con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. El conjunto de datos (~7.0 GB) se descarga automáticamente la primera vez que se utiliza. Consulta la página de entrenamiento del modelo para ver una lista completa de los argumentos disponibles.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrenar el modelo
results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)

Imágenes de muestra y anotaciones#

El Global Wheat Head Dataset contiene un conjunto diverso de imágenes de campos al aire libre que recoge la variabilidad natural del aspecto de las espigas de trigo, los entornos y las condiciones. Aquí tienes un ejemplo de imagen del conjunto de datos junto con sus anotaciones correspondientes:

• Detección de espigas de trigo: Las espigas de trigo se anotan con cuadros delimitadores para la detección de objetos, en diversas condiciones de campo que reflejan la variedad y complejidad del conjunto de datos.

Citas y agradecimientos#

Si utilizas el Global Wheat Head Dataset en tu trabajo de investigación o desarrollo, cita el siguiente artículo:

@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}
}

Queremos reconocer la labor de los investigadores e instituciones que han contribuido a crear y mantener el Global Wheat Head Dataset como un valioso recurso para la comunidad de investigación en fenotipado vegetal y gestión de cultivos. Para obtener más información sobre el conjunto de datos y sus creadores, visita el sitio web del Global Wheat Head Dataset.

Preguntas frecuentes#