Jeu de données mondial sur les épis de blé#

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

Le jeu de données mondial sur les épis de blé (GWHD) est un jeu de données à classe unique pour la détection d’objets, destiné à détecter les épis de blé — les épis portant les grains de la plante de blé — dans des images de champs en extérieur. Il fournit 3 422 images d’entraînement, 748 images de validation et 1 276 images de test capturées dans plusieurs régions de culture, et a été créé par une collaboration entre neuf instituts de recherche de sept pays afin que les modèles se généralisent à différents environnements. La détection précise des épis de blé est essentielle pour estimer leur densité, leur taille et le potentiel de rendement dans le cadre de la phénotypage végétal et de la gestion des cultures.

Fonctionnalités clés#

• Des images réelles de champs en extérieur qui capturent la variabilité naturelle de l’apparence des épis de blé, de l’éclairage et du stade de croissance.
• Construit par neuf instituts de recherche répartis dans sept pays, couvrant des régions de culture européennes, nord-américaines, asiatiques et australiennes pour une forte généralisation entre environnements.
• Annotations par boîtes englobantes pour une classe unique, wheat_head, prêtes pour les pipelines de détection d’objets et de suivi.
• Les images de test proviennent de génotypes et de régions non rencontrés pendant l’entraînement, offrant ainsi un véritable benchmark de généralisation.

Structure du jeu de données#

Le jeu de données mondial sur les épis de blé est organisé en trois sous-ensembles définis par la configuration GlobalWheat2020.yaml, tous annotés avec une classe unique, wheat_head :

Applications#

Le jeu de données mondial sur les épis de blé est largement utilisé pour entraîner et évaluer des modèles d’apprentissage profond dédiés à la détection des épis de blé. La diversité de ses images, couvrant différentes régions, différents génotypes et différentes conditions, en fait une ressource précieuse pour le phénotypage végétal et la gestion des cultures — notamment pour l’estimation du rendement, le suivi de l’état de santé des cultures et l’analyse phénotypique.

Pour annoter des images de terrain, entraîner des modèles et gérer les versions de tes jeux de données dans ton navigateur, exécute l’ensemble du workflow avec Ultralytics Platform.

YAML du jeu de données#

Un fichier YAML est utilisé pour définir la configuration du jeu de données. Il définit les chemins du jeu de données, les classes et d’autres détails de configuration. Pour le jeu de données mondial sur les épis de blé, le fichier GlobalWheat2020.yaml est maintenu à l’adresse 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

Utilisation#

Pour entraîner un modèle YOLO26n sur le jeu de données mondial sur les épis de blé pendant 100 époques, avec une taille d’image de 640, tu peux utiliser les extraits de code suivants. Le jeu de données (~7.0 Go) est téléchargé automatiquement lors de la première utilisation. Pour obtenir la liste complète des arguments disponibles, consulte la page Entraînement du modèle.

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)

Exemples d’images et d’annotations#

Le jeu de données mondial sur les épis de blé contient un ensemble diversifié d’images de champs en extérieur, capturant la variabilité naturelle de l’apparence des épis de blé, des environnements et des conditions. Voici un exemple d’image du jeu de données, accompagné de ses annotations correspondantes :

• Détection des épis de blé : les épis de blé sont annotés avec des boîtes englobantes pour la détection d’objets, dans diverses conditions de terrain qui reflètent la diversité et la complexité du jeu de données.

Citations et remerciements#

Si tu utilises le jeu de données mondial sur les épis de blé dans tes travaux de recherche ou de développement, merci de citer l’article suivant :

@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}
}

Nous souhaitons remercier les chercheurs et les institutions qui ont contribué à la création et à la maintenance du jeu de données mondial sur les épis de blé en tant que ressource précieuse pour la communauté de recherche sur le phénotypage végétal et la gestion des cultures. Pour plus d’informations sur le jeu de données et ses créateurs, consulte le site web du jeu de données mondial sur les épis de blé.

FAQ#