Bộ dữ liệu 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

Bộ dữ liệu Global Wheat Head (GWHD) là bộ dữ liệu phát hiện đối tượng một lớp, dùng để phát hiện bông lúa mì — các 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 test được thu thập tại nhiều vùng canh tác, do sự hợp tác giữa chín viện nghiên cứu thuộc bảy quốc gia xây dựng nhằm giúp các model tổng quát hóa trên nhiều môi trường khác nhau. Phát hiện chính xác bông lúa mì là nền tảng để ước tính mật độ bông, kích thước và tiềm năng năng suất trong định kiểu hình thực vật và quản lý cây trồng.

Tính năng chính#

• Ảnh thực tế chụp ngoài đồng, ghi lại sự biến thiên tự nhiên về hình dạng bông lúa mì, điều kiện chiếu sáng và giai đoạn sinh trưởng.
• Được xây dựng bởi chín viện nghiên cứu thuộc bảy quốc gia, bao phủ các vùng canh tác ở châu Âu, Bắc Mỹ, châu Á và Australia nhằm tăng cường khả năng tổng quát hóa giữa các môi trường.
• Các annotation bounding box cho một lớp duy nhất, wheat_head, sẵn sàng cho các pipeline phát hiện đối tượng và tracking.
• Ảnh test đến từ các kiểu gene và vùng không xuất hiện trong quá trình huấn luyện, cung cấp một benchmark tổng quát hóa thực tế.

Cấu trúc bộ dữ liệu#

Bộ dữ liệu Global Wheat Head được tổ chức thành ba tập con được xác định bởi cấu hình GlobalWheat2020.yaml, tất cả đều được gán annotation với một lớp duy nhất, wheat_head:

Ứng dụng#

Bộ dữ liệu Global Wheat Head được sử dụng rộng rãi để huấn luyện và đánh giá các model deep learning cho bài toán phát hiện bông lúa mì. Hình ảnh đa dạng theo vùng, kiểu gene và điều kiện khiến bộ dữ liệu này trở thành tài nguyên có giá trị cho định 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 annotation cho ảnh ngoài đồng, huấn luyện và quản lý các phiên bản dataset ngay trên trình duyệt, hãy thực hiện toàn bộ workflow với Ultralytics Platform.

YAML của bộ dữ liệu#

Một file YAML được dùng để định nghĩa cấu hình dataset. File này xác định các đường dẫn, lớp và những chi tiết cấu hình khác của dataset. Đối với Bộ dữ liệu Global Wheat Head, file 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 model YOLO26n trên Bộ dữ liệu Global Wheat Head trong 100 epoch với kích thước ảnh 640, bạn có thể sử dụng các đoạn code sau. Dataset (~7.0 GB) sẽ tự động được tải xuống trong lần sử dụng đầu tiên. Để xem danh sách đầy đủ các tham số khả dụng, hãy tham khảo trang Training của model.

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 annotation#

Bộ dữ liệu Global Wheat Head chứa một tập hợp đa dạng các ảnh chụp ngoài đồng, ghi lại sự biến thiên tự nhiên về hình dạng bông lúa mì, môi trường và điều kiện. Dưới đây là một ảnh ví dụ từ dataset cùng với các annotation tương ứng:

• Phát hiện bông lúa mì: Bông lúa mì được gán bounding box cho bài toán phát hiện đối tượng, trên nhiều điều kiện ngoài đồng phản ánh tính đa dạng và độ phức tạp của dataset.

Trích dẫn và ghi nhận đóng góp#

Nếu sử dụng Bộ dữ liệu Global Wheat Head trong công trình 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 xây dựng và duy trì Bộ dữ liệu Global Wheat Head như một tài nguyên có giá trị cho cộng đồng nghiên cứu về định kiểu hình thực vật và quản lý cây trồng. Để biết thêm thông tin về dataset và những người xây dựng dataset, hãy truy cập website của Bộ dữ liệu Global Wheat Head.

FAQ#