Link to this sectionConjunto 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.

Link to this sectionPrincipais 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.

Link to this sectionEstrutura 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:

Link to this sectionAplicações#

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.

Link to this sectionYAML 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

Link to this sectionUso#

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)

Link to this sectionExemplos 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.

Link to this sectionCitações 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.

Link to this sectionFAQ#

Link to this sectionPara 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.

Link to this sectionQuantas 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.

Link to this sectionComo 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.

Link to this sectionComo 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.

Link to this sectionOnde 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.

Link to this sectionPorque 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.