Глобальный набор данных о колосьях пшеницы#

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

Глобальный набор данных о колосьях пшеницы (GWHD) — это набор данных для одноклассового обнаружения объектов, предназначенный для обнаружения колосьев пшеницы — содержащих зёрна соцветий пшеничного растения — на изображениях открытых полей. Он содержит 3 422 обучающих, 748 валидационных и 1 276 тестовых изображений, собранных в нескольких регионах выращивания, и создан в сотрудничестве девяти исследовательских институтов из семи стран, чтобы модели могли обобщать данные из разных условий. Точное обнаружение колосьев пшеницы лежит в основе оценки плотности и размера колосьев, а также потенциальной урожайности в задачах фенотипирования растений и управления посевами.

Ключевые особенности#

• Реальные изображения открытых полей, отражающие естественную изменчивость внешнего вида колосьев пшеницы, освещения и стадии роста.
• Создан девятью исследовательскими институтами из семи стран и охватывает регионы выращивания в Европе, Северной Америке, Азии и Австралии, обеспечивая высокую обобщающую способность в разных условиях.
• Аннотации ограничивающих рамок для одного класса, wheat_head, готовые для конвейеров обнаружения объектов и отслеживания.
• Тестовые изображения получены для генотипов и регионов, которые не встречались в обучающей выборке, что обеспечивает полноценный бенчмарк обобщающей способности.

Структура датасета#

Глобальный набор данных о колосьях пшеницы организован в три поднабора, определяемые конфигурацией GlobalWheat2020.yaml; все они размечены одним классом, wheat_head:

Применения#

Глобальный набор данных о колосьях пшеницы широко используется для обучения и оценки моделей глубокого обучения, предназначенных для обнаружения колосьев пшеницы. Разнообразные изображения из разных регионов, для разных генотипов и условий делают этот набор ценным ресурсом для фенотипирования растений и управления посевами, поддерживая оценку урожайности, мониторинг состояния посевов и фенотипический анализ.

Чтобы размечать изображения полей, обучать модели и управлять версиями наборов данных в браузере, выполняй весь рабочий процесс с помощью Ultralytics Platform.

YAML датасета#

Для определения конфигурации набора данных используется YAML-файл. В нём задаются пути к данным, классы и другие параметры конфигурации. Для Глобального набора данных о колосьях пшеницы файл GlobalWheat2020.yaml поддерживается по адресу 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

Использование#

Чтобы обучить модель YOLO26n на Глобальном наборе данных о колосьях пшеницы в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода. Набор данных (~7.0 GB) автоматически загружается при первом использовании. Полный список доступных аргументов приведён на странице обучения модели.

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)

Примеры изображений и аннотаций#

Глобальный набор данных о колосьях пшеницы содержит разнообразные изображения открытых полей, отражающие естественную изменчивость внешнего вида колосьев пшеницы, окружающей среды и условий. Ниже приведён пример изображения из набора данных с соответствующими аннотациями:

• Обнаружение колосьев пшеницы: колосья пшеницы размечены ограничивающими рамками для обнаружения объектов в различных полевых условиях, отражающих разнообразие и сложность набора данных.

Цитирование и благодарности#

Если ты используешь Глобальный набор данных о колосьях пшеницы в исследовательской или разработческой работе, процитируй следующую статью:

@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}
}

Мы хотели бы выразить признательность исследователям и учреждениям, внесшим вклад в создание и поддержку Глобального набора данных о колосьях пшеницы как ценного ресурса для сообщества, занимающегося исследованиями фенотипирования растений и управления посевами. Дополнительную информацию о наборе данных и его создателях можно найти на сайте Глобального набора данных о колосьях пшеницы.

Часто задаваемые вопросы#