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——即小麦植株上结籽的穗状结构。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，图像采集自多个种植区域。该数据集由来自七个国家的九家研究机构合作创建，旨在让模型能够适应不同环境。在植物表型分析和作物管理中，准确检测小麦穗是估算穗密度、大小和产量潜力的基础。
主要功能#
- 真实的户外田间图像，展现了小麦穗在外观、光照和生长阶段方面的自然差异。
- 由七个国家的九家研究机构共同构建，覆盖欧洲、北美、亚洲和澳大利亚的种植区域，有助于模型在不同环境间实现强泛化能力。
- 单类别的边界框标注，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地区，可作为真实的泛化能力基准。
数据集结构#
全球小麦穗数据集分为三个子集，由 GlobalWheat2020.yaml 配置定义；所有图像均采用单一类别 wheat_head 进行标注：
| 划分 | 图像 | 地区 |
|---|---|---|
| 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（748 张图像）是 ethz_1 子集，该子集也包含在训练集中，因此验证指标是在模型也用于训练的图像上测得的。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。
应用场景#
Global Wheat Head Dataset 广泛用于训练和评估小麦穗检测深度学习模型。该数据集涵盖不同地区、基因型和条件下的多样图像，是植物表型分析和作物管理的重要资源，可用于支持产量估算、作物健康监测和表型分析。
如需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运行完整工作流。
数据集 YAML#
使用 YAML 文件定义数据集配置。该文件指定数据集路径、类别及其他配置详情。Global Wheat Head Dataset 的 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用法#
要在 Global Wheat Head Dataset 上训练 YOLO26n 模型 100 个周期，并将图像尺寸设为 640，可以使用以下代码片段。首次使用时，数据集（~7.0 GB）会自动下载。如需查看所有可用参数的完整列表，请参阅模型的训练页面。
from ultralytics import YOLO
# 加载模型
model = YOLO("yolo26n.pt") # 加载预训练模型（推荐用于训练）
# 训练模型
results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)示例图像和标注#
Global Wheat Head Dataset 包含丰富多样的户外田间图像，呈现了小麦穗外观、环境和条件的自然变化。以下是该数据集中的一张示例图像及其对应标注：
- 小麦穗检测：在反映数据集多样性和复杂性的各种田间条件下，使用边界框标注小麦穗，以进行目标检测。
引用与致谢#
如果你在研究或开发工作中使用 Global Wheat Head Dataset，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 Global Wheat Head Dataset 作出贡献的研究人员和机构。该数据集是植物表型分析和作物管理研究社区的重要资源。如需了解有关数据集及其创建者的更多信息，请访问 Global Wheat Head Dataset 网站。
常见问题#
Global Wheat Head Dataset 只有一个类别，即
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。训练图像和验证图像来自欧洲和北美，而测试集取自澳大利亚、日本和中国，用于评估模型对未见环境的泛化能力。要在 Global Wheat Head Dataset 上训练 YOLO26n 模型，可以使用以下代码片段。请确保你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 # 加载预训练模型（推荐用于训练） model = YOLO("yolo26n.pt") # 训练模型 results = model.train(data="GlobalWheat2020.yaml", epochs=100, imgsz=640)如需查看所有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。Global Wheat Head Dataset 的配置 YAML 文件名为
GlobalWheat2020.yaml，可在 GitHub 上找到。你可以通过 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/GlobalWheat2020.yaml 访问该文件。该文件包含使用 Ultralytics YOLO训练模型所需的数据集路径、类别及其他配置详情。小麦穗检测对作物管理至关重要，因为它可以准确估算小麦穗的密度和大小，这些指标对于评估作物健康状况、成熟度和产量潜力都不可或缺。借助使用 Global Wheat Head Dataset 等数据集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资源利用。这项技术进步有助于推动可持续农业和粮食安全计划。
如需了解 AI 在农业领域的应用，请访问 AI in Agriculture。