Conjunto de Dados de Cabeças de Trigo Global#
O Global Wheat Head Dataset (GWHD) é um conjunto de dados de object detection de classe única para detectar espigas de trigo — as espigas produtoras de grãos da planta de trigo — em imagens de campos externos. Ele fornece 3.422 imagens de treino, 748 de validação e 1.276 de teste capturadas em várias regiões de cultivo, e foi criado por uma colaboração de nove institutos de pesquisa de sete países para que os modelos generalizeem em diferentes ambientes. A detecção precisa de espigas de trigo fundamenta estimativas de densidade, tamanho e potencial de rendimento de espigas em plant phenotyping e gestão de culturas.
Principais recursos#
- Imagens reais de campos ao ar livre que capturam a variabilidade natural na aparência, iluminação e estágio de crescimento das espigas de trigo.
- Construído por nove institutos de pesquisa em sete países, abrangendo regiões de cultivo na Europa, América do Norte, Ásia e Austrália para uma forte generalização entre ambientes.
- Anotações de caixa delimitadora para uma única classe,
wheat_head, prontas para pipelines de object detection e tracking. - As imagens de teste vêm de genótipos e regiões não vistos durante o treinamento, fornecendo um benchmark de generalização genuíno.
Estrutura do Dataset#
O Global Wheat Head Dataset está organizado em três subconjuntos definidos pela configuração GlobalWheat2020.yaml, todos anotados com uma única classe, wheat_head:
| Divisão | Imagens | Regiões |
|---|---|---|
| Treinar | 3,422 | Europa (França, Reino Unido, Suíça), América do Norte (Canadá) |
| Validação | 748 | Suíça (ETH Zürich) |
| Teste | 1,276 | Austrália, Japão, China |
O conjunto de validação (748 imagens) é o subconjunto ethz_1, que também faz parte dos domínios de treino — portanto, as métricas de validação refletem o desempenho no domínio. O conjunto de teste reservado da Austrália, Japão e China mede a generalização para ambientes não vistos durante o treino.
Aplicações#
O Global Wheat Head Dataset é amplamente utilizado para treinar e avaliar modelos de deep learning para detecção de espigas de trigo. Suas imagens diversas entre regiões, genótipos e condições tornam-no um recurso valioso para plant phenotyping e gestão de culturas — apoiando a estimativa de rendimento, monitoramento da saúde das culturas e análise fenotípica.
Para anotar imagens de campo, treinar e gerenciar versões de conjuntos de dados no teu navegador, executa o fluxo de trabalho completo com Ultralytics Platform.
YAML do Dataset#
Um ficheiro YAML é usado para definir a configuração do conjunto de dados. Ele define os caminhos, as classes e outros detalhes de configuração do conjunto de dados. Para o Global Wheat Head Dataset, o ficheiro GlobalWheat2020.yaml é mantido em 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 /annotationsUso#
Para treinar um modelo YOLO26n no Global Wheat Head Dataset durante 100 epochs com um tamanho de imagem de 640, podes usar os seguintes trechos de código. O conjunto de dados (~7.0 GB) descarrega automaticamente na primeira utilização. Para obter uma lista abrangente de argumentos disponíveis, consulta a página de Training do modelo.
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)Exemplos de Imagens e Anotações#
O Global Wheat Head Dataset contém um conjunto diversificado de imagens de campos ao ar livre, capturando a variabilidade natural na aparência das espigas de trigo, ambientes e condições. Aqui está um exemplo de imagem do conjunto de dados, juntamente com suas anotações correspondentes:
- Wheat Head Detection: As espigas de trigo são anotadas com caixas delimitadoras para object detection, numa variedade de condições de campo que refletem a diversidade e a complexidade do conjunto de dados.
Citações e Agradecimentos#
Se utilizares o Global Wheat Head Dataset no teu trabalho de investigação ou desenvolvimento, por favor cita o seguinte artigo:
@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}
}Gostaríamos de agradecer aos investigadores e instituições que contribuíram para a criação e manutenção do Global Wheat Head Dataset como um recurso valioso para a comunidade de investigação em fenotipagem de plantas e gestão de culturas. Para mais informações sobre o conjunto de dados e os seus criadores, visita o Global Wheat Head Dataset website.
FAQ#
O Global Wheat Head Dataset é usado principalmente para desenvolver e treinar modelos de deep learning destinados à detecção de espigas de trigo. Isto é crucial para aplicações em wheat phenotyping e gestão de culturas, permitindo estimativas mais precisas da densidade, tamanho e potencial de rendimento geral da cultura de trigo. Métodos de detecção precisos ajudam a avaliar a saúde e a maturidade das culturas, essenciais para uma gestão eficiente das mesmas.
O Global Wheat Head Dataset tem uma única classe,
wheat_head, e está dividido em três subconjuntos: 3.422 imagens de treino, 748 imagens de validação e 1.276 imagens de teste. As imagens de treino e validação provêm da Europa e da América do Norte, enquanto o conjunto de teste é extraído da Austrália, Japão e China para avaliar a generalização a ambientes não vistos.Para treinar um modelo YOLO26n no Global Wheat Head Dataset, podes usar os seguintes trechos de código. Certifica-te de que tens o ficheiro de configuração
GlobalWheat2020.yamla especificar os caminhos e as classes do conjunto de dados:Exemplo de Treinamentofrom ultralytics import YOLO # Load a pretrained model (recommended for training) model = YOLO("yolo26n.pt") # Train the model results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)Para obter uma lista abrangente de argumentos disponíveis, consulta a página de Training do modelo.
O conjunto de dados (~7.0 GB) descarrega automaticamente na primeira vez que treinas com
data="GlobalWheat2020.yaml"— nenhuma etapa manual é necessária. O Ultralytics obtém as imagens e as etiquetas e descompacta-as para o teu diretório de conjuntos de dados local. Podes procurar conjuntos de dados relacionados na detection datasets overview.O ficheiro YAML de configuração para o Global Wheat Head Dataset, denominado
GlobalWheat2020.yaml, está disponível no GitHub. Podes acedê-lo em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. Este ficheiro contém os caminhos, as classes e outros detalhes de configuração do conjunto de dados necessários para o treino de modelos no Ultralytics YOLO.A detecção de espigas de trigo é fundamental na gestão de culturas porque permite estimar com precisão a densidade e o tamanho das espigas de trigo, que são essenciais para avaliar a saúde, a maturidade e o potencial de rendimento das culturas. Ao aproveitar deep learning models treinados em conjuntos de dados como o Global Wheat Head Dataset, agricultores e investigadores podem monitorizar e gerir melhor as culturas, levando a uma melhoria da produtividade e a um uso otimizado de recursos nas práticas agrícolas. Este avanço tecnológico apoia iniciativas de sustainable agriculture e segurança alimentar.
Para mais informações sobre as aplicações de IA na agricultura, visita AI in Agriculture.