Conjunto de Dados de Cabeças de Trigo Global#

O Global Wheat Head Dataset (GWHD) é um conjunto de dados de detecção de objetos de classe única para detectar espigas de trigo — as espigas portadoras de grãos da planta de trigo — em imagens de campos ao ar livre. Ele disponibiliza 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 generalizem entre diferentes ambientes. A detecção precisa de espigas de trigo fundamenta estimativas de densidade, tamanho e potencial de rendimento das espigas em fenotipagem vegetal 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 detecção de objetos e rastreamento.
• 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:

Aplicações#

O Global Wheat Head Dataset é amplamente utilizado para treinar e avaliar modelos de deep learning para detecção de espigas de trigo. Sua diversidade de imagens entre regiões, genótipos e condições torna-o um recurso valioso para fenotipagem vegetal 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 seu navegador, execute o fluxo de trabalho completo com a Ultralytics Platform.

YAML do Dataset#

Um arquivo YAML é usado para definir a configuração do dataset. Ele define os caminhos, classes e outros detalhes de configuração do dataset. Para o Global Wheat Head Dataset, o arquivo 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 /annotations

Uso#

Para treinar um modelo YOLO26n no Global Wheat Head Dataset por 100 épocas com um tamanho de imagem de 640, você pode usar os trechos de código a seguir. O conjunto de dados (~7.0 GB) é baixado automaticamente no primeiro uso. Para uma lista abrangente de argumentos disponíveis, consulte a página de Treinamento 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:

• Detecção de Espigas de Trigo: As espigas de trigo são anotadas com caixas delimitadoras para detecção de objetos, em uma 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 website do Global Wheat Head Dataset.

FAQ#

Para que é utilizado o Global Wheat Head Dataset?#

O Global Wheat Head Dataset é usado principalmente para desenvolver e treinar modelos de deep learning destinados à detecção de espigas de trigo. Isso é crucial para aplicações em fenotipagem de trigo e gestão de culturas, permitindo estimativas mais precisas de densidade de espigas de trigo, tamanho e potencial geral de rendimento da cultura. Métodos de detecção precisos ajudam a avaliar a saúde e a maturidade da cultura, essenciais para uma gestão eficiente da mesma.

Quantas imagens e classes existem no Global Wheat Head Dataset?#

O Global Wheat Head Dataset tem uma única classe, wheat_head, e é dividido em três subconjuntos: 3.422 imagens de treinamento, 748 imagens de validação e 1.276 imagens de teste. As imagens de treinamento e validação vêm da Europa e América do Norte, enquanto o conjunto de teste é extraído da Austrália, Japão e China para avaliar a generalização para ambientes não vistos.

Como posso treinar um modelo YOLO26n no Global Wheat Head Dataset?#

Para treinar um modelo YOLO26n no Global Wheat Head Dataset, podes utilizar os seguintes fragmentos de código. Certifica-te de que tens o ficheiro de configuração GlobalWheat2020.yaml que especifica os caminhos e classes do conjunto de dados:

from 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 uma lista completa de argumentos disponíveis, consulta a página de Treino do modelo.

Como faço para baixar o Global Wheat Head Dataset?#

O conjunto de dados (~7.0 GB) é baixado automaticamente na primeira vez que você treina com data="GlobalWheat2020.yaml" — nenhuma etapa manual é necessária. A Ultralytics busca as imagens e rótulos e os descompacta no diretório local de conjuntos de dados. Você pode navegar por conjuntos de dados relacionados na visão geral de conjuntos de dados de detecção.

Onde posso encontrar o ficheiro YAML de configuração para o Global Wheat Head Dataset?#

O arquivo YAML de configuração para o Global Wheat Head Dataset, chamado GlobalWheat2020.yaml, está disponível no GitHub. Você pode acessá-lo em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml. Este arquivo contém os caminhos do conjunto de dados, classes e outros detalhes de configuração necessários para o treinamento do modelo no Ultralytics YOLO.

Porque é que a deteção de cabeças de trigo é importante na gestão de culturas?#

A detecção de cabeças de trigo é crítica no manejo de culturas porque permite a estimativa precisa da densidade e do tamanho das cabeças de trigo, que são essenciais para avaliar a saúde, maturidade e potencial de produtividade da cultura. Ao aproveitar modelos de deep learning treinados em conjuntos de dados como o Global Wheat Head Dataset, agricultores e pesquisadores podem monitorar e gerenciar melhor as culturas, levando a uma produtividade aprimorada e ao uso otimizado de recursos em práticas agrícolas. Este avanço tecnológico apoia iniciativas de agricultura sustentável e segurança alimentar.

Para mais informações sobre aplicações de IA na agricultura, visita AI in Agriculture.