Bộ dữ liệu Global Wheat Head Dataset#

4,698

Global Wheat 2020

ultralytics

publicDetect

Global Wheat Head Detection 2020 dataset with 4,698 unique field images across 2,675 train, 747 validation, and 1,276 test images; 3,376 labeled images, 1,322 backgrounds or unlabeled test images, 145,411 wheat-head boxes, and one wheat_head class. The documented ETHZ train/validation overlap is normalized to validation only. Created by the Global Wheat Dataset consortium and described in Global Wheat Head Detection Dataset: A Large and Diverse Dataset of High-Resolution RGB-Labelled Images to Develop and Benchmark Wheat Head Detection Methods (David et al., 2020; DOI 10.34133/2020/3521852).

1 class1.5 GBAug 21, 2026

wheat_head

agriculturewheatobject-detection+1

The Global Wheat Head Dataset (GWHD) là một tập dữ liệu object detection đơn lớp dùng để phát hiện wheat heads — những bông mang hạt của cây lúa mì — trong các hình ảnh đồng ruộng ngoài trời. Tập dữ liệu này cung cấp 3.422 ảnh huấn luyện, 748 ảnh xác thực và 1.276 ảnh kiểm tra được thu thập từ nhiều vùng sinh trưởng khác nhau, và được tạo ra bởi sự hợp tác của chín viện nghiên cứu từ bảy quốc gia nhằm giúp các mô hình khái quát hóa tốt trên các môi trường khác nhau. Việc phát hiện bông lúa mì chính xác là nền tảng cho việc ước tính mật độ, kích thước và tiềm năng năng suất bông trong plant phenotyping và quản lý cây trồng.

Tính năng chính#

• Hình ảnh thực tế ngoài đồng nắm bắt sự biến đổi tự nhiên về hình dáng, ánh sáng và giai đoạn sinh trưởng của bông lúa mì.
• Được xây dựng bởi chín viện nghiên cứu trên bảy quốc gia, bao gồm các vùng canh tác tại Châu Âu, Bắc Mỹ, Châu Á và Úc để đạt được khả năng tổng quát hóa mạnh mẽ giữa các môi trường.
• Các chú thích bounding-box cho một lớp duy nhất, wheat_head, sẵn sàng cho các pipeline object detection và tracking.
• Các hình ảnh kiểm tra đến từ các kiểu gen và vùng địa lý chưa từng xuất hiện trong quá trình huấn luyện, mang lại một chuẩn đánh giá tổng quát hóa thực sự.

Cấu trúc tập dữ liệu#

The Global Wheat Head Dataset được tổ chức thành ba tập con được xác định bởi cấu hình GlobalWheat2020.yaml, tất cả đều được chú thích với một lớp duy nhất, wheat_head:

Ứng dụng#

The Global Wheat Head Dataset được sử dụng rộng rãi để huấn luyện và đánh giá các mô hình deep learning cho việc phát hiện bông lúa mì. Hình ảnh đa dạng của tập dữ liệu này qua các vùng, kiểu gen và điều kiện khiến nó trở thành một tài nguyên có giá trị cho plant phenotyping và quản lý cây trồng — hỗ trợ ước tính năng suất, theo dõi sức khỏe cây trồng và phân tích kiểu hình.

Để chú thích hình ảnh đồng ruộng, huấn luyện và quản lý các phiên bản tập dữ liệu ngay trong trình duyệt của bạn, hãy chạy toàn bộ quy trình làm việc với Ultralytics Platform.

YAML tập dữ liệu#

Một tệp YAML được sử dụng để xác định cấu hình tập dữ liệu. Nó định nghĩa các đường dẫn, các lớp và các chi tiết cấu hình khác của tập dữ liệu. Đối với The 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 huấn luyện mô hình YOLO26n trên The Global Wheat Head Dataset trong 100 epochs với kích thước ảnh là 640, bạn có thể sử dụng các đoạn mã sau. Tập dữ liệu (~7.0 GB) sẽ tự động tải xuống trong lần sử dụng đầu tiên. Để có danh sách đầy đủ các đối số khả dụng, hãy tham khảo trang Training của mô hình.

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)

Hình ảnh mẫu và chú thích#

Global Wheat Head Dataset chứa một tập hợp đa dạng các hình ảnh thực tế ngoài đồng, ghi lại sự biến đổi tự nhiên về hình dáng, môi trường và điều kiện của bông lúa mì. Dưới đây là một ví dụ hình ảnh từ tập dữ liệu, cùng với các chú thích tương ứng của nó:

• Wheat Head Detection: Các bông lúa mì được chú thích bằng các bounding box cho object detection, trong nhiều điều kiện đồng ruộng khác nhau phản ánh tính đa dạng và phức tạp của tập dữ liệu.

Trích dẫn và Ghi nhận#

Nếu bạn sử dụng Global Wheat Head Dataset trong công việc nghiên cứu hoặc phát triển của mình, 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 gửi lời cảm ơn đến các nhà nghiên cứu và các tổ chức đã đóng góp vào việc tạo ra và duy trì The Global Wheat Head Dataset như một nguồn tài nguyên quý giá cho cộng đồng nghiên cứu về kiểu hình thực vật và quản lý cây trồng. Để biết thêm thông tin về tập dữ liệu và những người tạo ra nó, hãy truy cập Global Wheat Head Dataset website.

Câu hỏi thường gặp#