全球小麦穗数据集#
全球小麦穗数据集（GWHD）是一个单类别目标检测数据集，用于在户外田间图像中检测小麦穗——即小麦植株上承载籽粒的穗部。该数据集包含 3,422 张训练图像、748 张验证图像和 1,276 张测试图像，采集自多个种植区域；它由来自七个国家的九家研究机构合作创建，使模型能够适应不同环境。准确的小麦穗检测是植物表型分析和作物管理中估算穗密度、大小及产量潜力的基础。
主要特性#
- 真实的户外田间图像，捕捉了小麦穗外观、光照和生长阶段的自然变化。
- 由来自七个国家的九家研究机构构建，覆盖欧洲、北美、亚洲和澳大利亚的种植区域，具备出色的跨环境泛化能力。
- 针对单个类别的边界框标注，类别为
wheat_head，可直接用于目标检测和跟踪流程。 - 测试图像来自训练期间未见过的基因型和区域，可用于真正的泛化能力基准评估。
数据集结构#
全球小麦穗数据集按照 GlobalWheat2020.yaml 配置组织为三个子集，所有图像均标注为单个类别 wheat_head：
| 划分 | 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 |
验证集包含 748 张图像，是 ethz_1 子集，同时也属于训练域的一部分，因此验证指标反映的是域内性能。来自澳大利亚、日本和中国的留出测试集用于衡量模型对训练期间未见环境的泛化能力。
应用#
全球小麦穗数据集广泛用于训练和评估小麦穗检测深度学习模型。其覆盖不同区域、基因型和条件的多样化图像，使其成为植物表型分析和作物管理的宝贵资源，可支持产量估算、作物健康监测和表型分析。
要在浏览器中标注田间图像、训练模型并管理数据集版本，请使用 Ultralytics Platform 完成完整流程。
数据集 YAML#
YAML 文件用于定义数据集配置，其中包含数据集路径、类别及其他配置详情。对于全球小麦穗数据集，GlobalWheat2020.yaml 文件维护在 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使用方法#
要在全球小麦穗数据集上训练 YOLO26n 模型 100 个周期，并将图像尺寸设为 640，你可以使用以下代码片段。数据集（~7.0 GB）会在首次使用时自动下载。有关可用参数的完整列表，请参阅模型的训练页面。
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)示例图像和标注#
全球小麦穗数据集包含丰富多样的户外田间图像，展现了小麦穗外观、环境和条件的自然变化。下面是数据集中的一个示例图像及其对应的标注：
- 小麦穗检测：小麦穗使用边界框进行标注，用于目标检测，覆盖了各种田间条件，体现了数据集的多样性和复杂性。
引用和致谢#
如果你在研究或开发工作中使用全球小麦穗数据集，请引用以下论文：
@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}
}我们感谢为创建和维护全球小麦穗数据集做出贡献的研究人员和机构，它们为植物表型分析和作物管理研究社区提供了宝贵资源。有关数据集及其创建者的更多信息，请访问全球小麦穗数据集网站。
常见问题#
全球小麦穗数据集包含一个类别
wheat_head，并划分为三个子集：3,422 张训练图像、748 张验证图像和 1,276 张测试图像。训练图像和验证图像来自欧洲和北美，测试集则来自澳大利亚、日本和中国，用于评估模型对未见环境的泛化能力。要在全球小麦穗数据集上训练 YOLO26n 模型，你可以使用以下代码片段。请确保你拥有用于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，请参阅模型的训练页面。
首次使用
data="GlobalWheat2020.yaml"进行训练时，数据集（~7.0 GB）会自动下载，无需手动操作。Ultralytics 会获取图像和标签，并将其解压到本地数据集目录。你可以在检测数据集概览中浏览相关数据集。全球小麦穗数据集的配置 YAML 文件名为
GlobalWheat2020.yaml，可在 GitHub 上获取。你可以通过 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml 访问该文件。该文件包含在 Ultralytics YOLO 中进行模型训练所需的数据集路径、类别及其他配置详情。小麦穗检测对作物管理至关重要，因为它能够准确估算小麦穗密度和大小，而这些指标对于评估作物健康状况、成熟度和产量潜力都十分重要。借助在全球小麦穗数据集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，从而提高农业生产力并优化资源利用。这项技术进步支持可持续农业和粮食安全计划。
有关 AI 在农业领域应用的更多信息，请访问 AI in Agriculture。