Conjunto de dados 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

O Conjunto de dados global de espigas de trigo (GWHD) é um conjunto de dados de deteção de objetos de uma única classe, destinado a detetar espigas de trigo — as inflorescências da planta que contêm os grãos — em imagens de campos ao ar livre. Inclui 3.422 imagens de treino, 748 de validação e 1.276 de teste, captadas em várias regiões de cultivo. Foi criado através da colaboração entre nove institutos de investigação de sete países, para que os modelos generalizem em diferentes ambientes. A deteção precisa de espigas de trigo é fundamental para estimar a densidade, o tamanho e o potencial de rendimento das espigas em fenotipagem de plantas e na gestão de culturas.

Principais funcionalidades#

• Imagens reais de campos ao ar livre que captam a variabilidade natural do aspeto das espigas de trigo, da iluminação e das fases de crescimento.
• Desenvolvido por nove institutos de investigação de sete países, abrangendo regiões de cultivo da Europa, da América do Norte, da Ásia e da Austrália para permitir uma forte generalização entre ambientes.
• Anotações de caixas delimitadoras para uma única classe, wheat_head, prontas para pipelines de deteção de objetos e rastreamento.
• As imagens de teste são de genótipos e regiões não incluídos no treino, proporcionando uma verdadeira referência para avaliar a generalização.

Estrutura do conjunto de dados#

O Conjunto de dados global de espigas de trigo 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 aprendizado profundo para detecção de espigas de trigo. A diversidade de imagens de diferentes regiões, genótipos e condições faz dele um recurso valioso para o fenotipagem de plantas e o manejo de culturas — contribuindo para a estimativa de produtividade, o monitoramento da saúde das culturas e a análise fenotípica.

Para anotar imagens de campo, treinar e gerenciar versões de conjuntos de dados no navegador, execute todo o fluxo de trabalho com a Ultralytics Platform.

YAML do conjunto de dados#

Um arquivo YAML é usado para definir a configuração do conjunto de dados. Ele especifica os caminhos, as classes e outros detalhes de configuração do conjunto de dados. 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 tamanho de imagem de 640, você pode usar os trechos de código a seguir. O conjunto de dados (~7,0 GB) é baixado automaticamente na primeira utilização. Para ver uma lista completa dos argumentos disponíveis, consulte a página de treinamento do modelo.

from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)

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

Imagens de exemplo e anotações#

O Global Wheat Head Dataset contém um conjunto diversificado de imagens de campos ao ar livre, que capturam a variabilidade natural na aparência das espigas de trigo, nos ambientes e nas condições. Veja um exemplo de imagem do conjunto de dados, juntamente com as anotações correspondentes:

• Detecção de espigas de trigo: as espigas de trigo são anotadas com caixas delimitadoras para detecção de objetos, em diferentes condições de campo que refletem a diversidade e a complexidade do conjunto de dados.

Citações e agradecimentos#

Se você utilizar o Global Wheat Head Dataset em seu trabalho de pesquisa ou desenvolvimento, cite o artigo a seguir:

@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}
}

Agradecemos aos pesquisadores e às instituições que contribuíram para a criação e manutenção do Global Wheat Head Dataset como um recurso valioso para a comunidade de pesquisa em fenotipagem de plantas e manejo de culturas. Para saber mais sobre o conjunto de dados e seus criadores, visite o site do Global Wheat Head Dataset.

Perguntas frequentes#