Визуальная классификация болезней огурцов

Обзор модели

Модель представляет собой точно настроенную версию , разработанную для классификации болезней огурцов и состояний листьев. Она способна различать различные заболевания, поражающие огурцы.

Что умеет эта модель

• Эта модель классифицирует изображения огурцов и их листьев по следующим категориям:

• Anthracnose (Антракноз)

• Bacterial Wilt (Бактериальное увядание)

• Belly Rot (Гниль плодов)

• Downy Mildew (Ложная мучнистая роса)

• Gummy Stem Blight (Мокрая пятнистость стеблей)

• Healthy Cucumber (Здоровый огурец)

• Healthy Leaf (Здоровый лист)

• Pythium Fruit Rot (Фитофторозная гниль плодов)

• Модель достигает следующих результатов на оценочном наборе данных:

• Потери (Loss): 0.0155

• Точность (Accuracy): 0.9976

Как обучена

Модель была обучена на неизвестном наборе данных, который, судя по названиям классов, содержит изображения огурцов и их листьев, демонстрирующих различные здоровые и больные состояния. В процессе тренировки использовались следующие гиперпараметры:

Скорость обучения (learning_rate): 0.0002

Размер тренировочного пакета (train_batch_size): 16

Размер оценочного пакета (eval_batch_size): 8

Зерно (seed): 42

Оптимизатор (optimizer): Adam с параметрами betas=(0.9,0.999) и epsilon=1e-08

Тип планировщика скорости обучения (lr_scheduler_type): linear

Количество эпох (num_epochs): 4

Обучение со смешанной точностью (mixed_precision_training): Native AMP

Результаты обучения

Потери при обучении Эпоха Шаг Потери при валидации Точность 0.16940.35711000.19650.9607 0.14090.71432000.24090.9261 0.10241.07143000.09030.9780 0.03261.42864000.06300.9866 0.03381.78575000.06750.9843 0.00822.14296000.05080.9882 0.00722.57000.06090.9874 0.00562.85718000.01750.9976 0.00443.21439000.01540.9976 0.00423.571410000.01510.9976 0.00453.928611000.01550.9976

Применение

Модель идеально подходит для использования в сельском хозяйстве для оперативного обнаружения и классификации болезней огурцов. Это позволяет фермерам и агрономам быстро идентифицировать проблемы и принимать своевременные меры для защиты урожая. Она может быть интегрирована в системы мониторинга полей или мобильные приложения для диагностики на местах. Модель способна определять до трех наиболее вероятных классов для каждого входного изображения, предоставляя исчерпывающую информацию для пользователя.

Ссылки

YaswanthReddy23/ViT_Cucumber

Ссылки

https://https://huggingface.co/YaswanthReddy23/ViT_Cucumber