Bộ dữ liệu đầu lúa mì toàn cầu#

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

Bộ dữ liệu đầu lúa mì toàn cầu (GWHD) là bộ dữ liệu phát hiện đối tượng một lớp, dùng để phát hiện bông lúa mì — phần bông mang hạt của cây lúa mì — trong ảnh chụp ngoài đồng. Bộ dữ liệu cung cấp 3.422 ảnh huấn luyện, 748 ảnh validation và 1.276 ảnh kiểm thử được thu thập tại nhiều vùng canh tác; bộ dữ liệu được tạo ra nhờ sự hợp tác của chín viện nghiên cứu thuộc bảy quốc gia để model có thể tổng quát hóa trên các môi trường khác nhau. Phát hiện chính xác bông lúa mì là cơ sở để ước tính mật độ, kích thước bông và tiềm năng năng suất trong định kiểu hình thực vật và quản lý cây trồng.

Tính năng chính#

• Ảnh chụp ngoài đồng trong điều kiện thực tế, ghi lại sự biến thiên tự nhiên về hình dạng bông lúa mì, ánh sáng và giai đoạn sinh trưởng.
• Được xây dựng bởi chín viện nghiên cứu tại bảy quốc gia, bao quát các vùng canh tác ở châu Âu, Bắc Mỹ, châu Á và Úc, giúp tăng cường khả năng tổng quát hóa giữa các môi trường.
• Annotation bounding box cho một lớp duy nhất, wheat_head, sẵn sàng cho các pipeline phát hiện đối tượng và tracking.
• Ảnh kiểm thử được lấy từ các kiểu gene và khu vực không xuất hiện trong quá trình huấn luyện, tạo nên một benchmark tổng quát hóa thực sự.

Cấu trúc dataset#

Bộ dữ liệu đầu lúa mì toàn cầu được tổ chức thành ba tập con theo cấu hình GlobalWheat2020.yaml; tất cả đều được gắn nhãn với một lớp duy nhất, wheat_head:

Ứng dụng#

Global Wheat Head Dataset được sử dụng rộng rãi để training và đánh giá các model deep learning phát hiện bông lúa mì. Hình ảnh đa dạng từ nhiều khu vực, kiểu gene và điều kiện khác nhau khiến dataset này trở thành tài nguyên quý giá cho phân tích kiểu hình thực vật và quản lý cây trồng — hỗ trợ ước tính năng suất, giám sát sức khỏe cây trồng và phân tích kiểu hình.

Để gán nhãn ảnh thực địa, training và quản lý các phiên bản dataset ngay trên trình duyệt, hãy chạy toàn bộ quy trình bằng Ultralytics Platform.

YAML của dataset#

Tệp YAML được dùng để xác định cấu hình dataset. Tệp này định nghĩa các đường dẫn, class và thông tin cấu hình khác của dataset. Đối với Global Wheat Head Dataset, tệp GlobalWheat2020.yaml được duy trì tại 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

Cách sử dụng#

Để training model YOLO26n trên Global Wheat Head Dataset trong 100 epoch với kích thước ảnh 640, bạn có thể dùng các đoạn code sau. Dataset (~7.0 GB) sẽ tự động tải xuống trong lần sử dụng đầu tiên. Để xem danh sách đầy đủ các tham số hiện có, hãy tham khảo trang Training của model.

from ultralytics import YOLO

# Tải model
model = YOLO("yolo26n.pt")  # tải model đã huấn luyện trước (được khuyến nghị khi huấn luyện)

# Huấn luyện model
results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)

Hình ảnh mẫu và annotation#

Global Wheat Head Dataset bao gồm nhiều ảnh thực địa ngoài trời, ghi lại sự biến thiên tự nhiên về hình dạng bông lúa mì, môi trường và điều kiện. Dưới đây là ảnh mẫu từ dataset cùng với các chú thích tương ứng:

• Phát hiện bông lúa mì: Bông lúa mì được gán nhãn bằng bounding box để phát hiện đối tượng trong nhiều điều kiện thực địa khác nhau, phản ánh sự đa dạng và phức tạp của dataset.

Trích dẫn và lời cảm ơn#

Nếu sử dụng Global Wheat Head Dataset trong nghiên cứu hoặc phát triển, vui lòng trích dẫn bài báo sau:

@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}
}

Chúng tôi xin ghi nhận các nhà nghiên cứu và tổ chức đã đóng góp vào việc tạo lập và duy trì Global Wheat Head Dataset như một tài nguyên quý giá cho cộng đồng nghiên cứu phân tích kiểu hình thực vật và quản lý cây trồng. Để biết thêm thông tin về dataset và những người tạo ra dataset, hãy truy cập trang web Global Wheat Head Dataset.

Câu hỏi thường gặp#