YOLO Vision 2026：
MIT

Global Wheat Head Dataset#

Global Wheat Head Dataset (GWHD) 是一个用于在户外田间图像中检测麦穗（小麦植物结籽的穗状花序）的单类目标检测数据集。它提供了在多个生长区域采集的 3,422 张训练集图像、748 张验证集图像和 1,276 张测试集图像，由来自七个国家的九个研究机构合作创建，以确保模型能够在不同的环境中泛化。在植物表型分析和作物管理中，准确的麦穗检测是评估穗密度、大小和产量潜力的基础。

主要特性#

  • 真实的室外田间图像，捕捉了小麦穗外观、光照和生长阶段的自然变异。
  • 由七个国家的九个研究机构构建，横跨欧洲、北美、亚洲和澳大利亚种植区域，具有强大的跨环境泛化能力。
  • 单个类别的边界框标注，wheat_head，适用于目标检测和追踪流水线。
  • 测试图像来自训练期间未见过的基因型和区域，提供了真实的泛化基准。

数据集结构#

Global Wheat Head Dataset 分为由 GlobalWheat2020.yaml 配置定义的三个子集，所有子集均标注为单个类别 wheat_head：

拆分图像区域
训练3,422欧洲（法国、英国、瑞士）、北美（加拿大）
验证748瑞士 (ETH Zürich)
测试1,276澳大利亚、日本、中国
验证集划分

验证集（748 张图像）是 ethz_1 子集，它也是训练域的一部分，因此验证指标反映了域内性能。来自澳大利亚、Japan 和中国的独立测试集用于衡量对训练期间未见环境的泛化能力。

应用#

Global Wheat Head Dataset 被广泛用于训练和评估用于麦穗检测的深度学习模型。其跨区域、基因型和条件的丰富图像使其成为植物表型分析和作物管理的宝贵资源，支持产量估计、作物健康监测和表型分析。

要在浏览器中注释田间图像、训练和管理数据集版本，请使用 Ultralytics Platform 运行完整的流水线。

数据集 YAML#

YAML 文件用于定义数据集配置。它定义了数据集的路径、类别和其他配置详情。对于 Global Wheat Head Dataset，GlobalWheat2020.yaml 文件维护在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml。

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

用法#

要在 Global Wheat Head Dataset 上训练 YOLO26n 模型 100 个轮次，图像大小为 640，你可以使用以下代码片段。该数据集（~7.0 GB）在首次使用时会自动下载。有关可用参数的完整列表，请参考模型训练页面。

训练示例
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)

样本图像和标注#

Global Wheat Head Dataset 包含多样化的室外田间图像，捕捉了小麦穗外观、环境和条件的自然变异。以下是来自该数据集的图像示例及其相应的标注：

Global Wheat dataset sample showing wheat head detection

  • 麦穗检测：麦穗带有用于目标检测的边界框标注，涵盖了反映数据集多样性和复杂性的各种田间条件。

引用与致谢#

如果你在研究或开发工作中使用了 Global Wheat Head Dataset，请引用以下论文：

引用
@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}
}

我们要感谢为 Global Wheat Head Dataset 的创建和维护做出贡献的研究人员和机构，他们为植物表型和作物管理研究社区提供了一项宝贵的资源。有关数据集及其创建者的更多信息，请访问 Global Wheat Head Dataset website。

常见问题解答#

  • Global Wheat Head Dataset 主要用于开发和训练旨在进行麦穗检测的深度学习模型。这对于小麦表型分析和作物管理中的应用至关重要，可以更准确地估计麦穗密度、大小和整体作物产量潜力。准确的检测方法有助于评估作物健康和成熟度，这对于高效的作物管理至关重要。

  • Global Wheat Head Dataset 只有一个类别 wheat_head，并分为三个子集：3,422 张训练图像、748 张验证图像和 1,276 张测试图像。训练和验证图像来自欧洲和北美，而测试集则取自澳大利亚、Japan 和中国，以评估对未见环境的泛化能力。

  • 要在 Global Wheat Head Dataset 上训练 YOLO26n 模型，你可以使用以下代码片段。确保你拥有指定数据集路径和类别的 GlobalWheat2020.yaml 配置文件：

    训练示例
    from ultralytics import YOLO

# Load a pretrained model (recommended for training)
model = YOLO("yolo26n.pt")

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

    有关可用参数的完整列表，请参考模型训练页面。

  • 首次使用 data="GlobalWheat2020.yaml" 进行训练时，数据集（~7.0 GB）会自动下载，无需人工干预。Ultralytics 会获取图像和标签并将它们解压到你的本地数据集目录。你可以在检测数据集概览中浏览相关数据集。

  • Global Wheat Head Dataset 的配置 YAML 文件名为 GlobalWheat2020.yaml，可在 GitHub 上获取。你可以在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml 访问它。该文件包含在 Ultralytics YOLO 中进行模型训练所需的数据集路径、类别和其他配置详情。

  • 麦穗检测在作物管理中至关重要，因为它能够准确估计麦穗的密度和大小，这对于评估作物健康、成熟度和产量潜力必不可少。通过利用在 Global Wheat Head Dataset 等数据集上训练的深度学习模型，农民和研究人员可以更好地监测和管理作物，从而提高生产力并优化农业实践中的资源利用。这一技术进步支持了可持续农业和粮食安全倡议。

    有关人工智能在农业中应用的更多信息，请访问 AI in Agriculture。

贡献者
GLglenn-jocher19RAraimbekovm4PDpderrenger2MImiles-deans-ultralytics1MAMatthewNoyce1RIRizwanMunawar1

评论