Plant Leaf Detection And Classification

🚀 YOLOv8s葉検出と分類モデル

YOLOフレームワークに基づく画像内の葉の検出と分類を行うオブジェクト検出モデルです。物体検出タスクで精度（mAP@0.5）0.946を達成しています。

🚀 クイックスタート

YOLOv8s葉検出と分類モデルを使用するには、以下の手順に従ってください。

1. ultralyticsplus と ultralytics ライブラリをpipを使ってインストールします。

pip install ultralyticsplus==0.0.28 ultralytics==8.0.43

2. 提供されたコードスニペットを使ってモデルをロードし、予測を行います。

from ultralyticsplus import YOLO, render_result

# load model
model = YOLO('foduucom/plant-leaf-detection-and-classification')

# set model parameters
model.overrides['conf'] = 0.25  # NMS confidence threshold
model.overrides['iou'] = 0.45  # NMS IoU threshold
model.overrides['agnostic_nms'] = False  # NMS class-agnostic
model.overrides['max_det'] = 1000  # maximum number of detections per image

# set image
image = 'path/to/your/image'

# perform inference
results = model.predict(image)

# observe results
print(results[0].boxes)
render = render_result(model=model, image=image, result=results[0])
render.show()

✨ 主な機能

• YOLOv8アーキテクチャをベースに構築され、リアルタイムの物体検出能力を備えています。
• 46種類以上の植物種の葉を検出し、分類することができます。
• ユーザーが独自の植物葉のデータを貢献することができ、モデルの識別能力を拡張できます。

📦 インストール

pip install ultralyticsplus==0.0.28 ultralytics==8.0.43

💻 使用例

基本的な使用法

from ultralyticsplus import YOLO, render_result

# load model
model = YOLO('foduucom/plant-leaf-detection-and-classification')

# set model parameters
model.overrides['conf'] = 0.25  # NMS confidence threshold
model.overrides['iou'] = 0.45  # NMS IoU threshold
model.overrides['agnostic_nms'] = False  # NMS class-agnostic
model.overrides['max_det'] = 1000  # maximum number of detections per image

# set image
image = 'path/to/your/image'

# perform inference
results = model.predict(image)

# observe results
print(results[0].boxes)
render = render_result(model=model, image=image, result=results[0])
render.show()

📚 ドキュメント

モデル概要

YOLOv8s葉検出と分類モデルは、YOLO（You Only Look Once）フレームワークに基づく物体検出モデルです。画像内のさまざまな種類の葉を検出し、分類するように設計されています。物体検出タスクで精度（mAP@0.5）0.946を達成しています。

モデル詳細

モデル説明

YOLOv8s葉検出と分類モデルは、YOLOv8アーキテクチャをベースに構築されており、リアルタイムの物体検出能力で知られています。この特定のモデルは、さまざまな植物種からの異なる種類の葉を認識し、分類するように訓練されています。画像内の複数の葉のインスタンスを検出し、それぞれのクラスに割り当てることができます。

['ginger', 'banana', 'tobacco', 'ornamaental', 'rose', 'soyabean', 'papaya', 'garlic', 'raspberry', 'mango', 'cotton', 'corn', 'pomgernate', 'strawberry', 'Blueberry', 'brinjal', 'potato', 'wheat', 'olive', 'rice', 'lemon', 'cabbage', 'gauava', 'chilli', 'capcicum', 'sunflower', 'cherry', 'cassava', 'apple', 'tea', 'sugarcane', 'groundnut', 'weed', 'peach', 'coffee', 'cauliflower', 'tomato', 'onion', 'gram', 'chiku', 'jamun', 'castor', 'pea', 'cucumber', 'grape', 'cardamom']

• 開発元: FODUU AI
• モデルタイプ: 物体検出
• 言語 (NLP): 英語

また、YOLOv8s葉検出と分類モデルは、ユーザーが独自の植物葉のデータを貢献できるようにすることで、ユーザーの協力を促進しています。ユーザーは新しい植物種の画像を投稿し、分類用の植物名を提案することができます。当チームは、これらの新しい植物クラスをモデルに組み込むために努力し、さらに多様な植物葉の識別と分類能力を向上させます。ユーザーは、コミュニティプラットフォームを通じて、またはinfo@foduu.comにメールで植物名と対応するデータセットのリンクを共有することで、YOLOv8s葉検出と分類モデルの機能拡張に積極的に参加することができます。あなたの貢献は、多様な植物種のモデルの知識と認識を豊かにする上で重要な役割を果たします。

用途

直接利用

YOLOv8s葉検出と分類モデルは、葉の検出と分類に関連する物体検出タスクに直接使用することができます。微調整や大規模なエコシステムまたはアプリケーションへの統合は必要ありません。

下流利用

このモデルは、特定の葉の検出と分類タスクのために微調整することも、植物関連の研究、農業、または環境モニタリングのための大規模なアプリケーションに統合することもできます。

適用外の用途

このモデルは、葉の検出と分類の範囲外の無関係なタスクまたは物体検出シナリオには設計されていません。

バイアス、リスク、および制限

YOLOv8s葉検出と分類モデルにはいくつかの制限とバイアスがある可能性があります。

• モデルの性能は、訓練データの品質と多様性によって異なる場合があります。
• 他の物体と重なっている、または大きく隠れている葉の検出に苦労する場合があります。
• 照明条件、画像品質、および解像度の変化によって、モデルの精度が影響を受ける可能性があります。
• 画像内の非常に小さいまたは遠い葉を正確に検出できない場合があります。
• 非常に似た葉の種類の分類精度は低くなる可能性があります。
• モデルのバイアスは、訓練データに存在するバイアスに起因する可能性があります。

推奨事項

ユーザー（直接利用者と下流利用者の両方）は、モデルのリスク、バイアス、および制限を認識する必要があります。特定の使用事例やドメインにおけるモデルの性能を評価するために、さらなる研究と実験が推奨されます。

🔧 技術詳細

訓練データ

このモデルは、46種類の異なる植物の数百枚の画像で訓練されており、病気に感染した葉と健康な葉の両方が含まれています。

訓練手順

訓練プロセスでは、高いGPU容量を使用し、最大50エポックまで実行されます。各エポックは、訓練データセット全体を1回完全に通過することを表し、分類損失を最小化し、性能を最適化するためにモデルの重みを調整します。

評価指標

• mAP@0.5 (box): 0.946

概要

YOLOv8sは、46種類以上の植物種の葉の検出と分類に特化した強力な畳み込みニューラルネットワークです。修正されたCSPDarknet53バックボーン、自己注意機構、および特徴ピラミッドネットワークを利用して、正確な多尺度物体検出を行い、植物の葉の正確な識別と分類を提供します。

モデルアーキテクチャと目的

YOLOv8アーキテクチャは、53の畳み込み層とクロスステージ部分接続を持つ修正されたCSPDarknet53をバックボーンとして利用し、情報の流れを改善しています。ヘッドは、バウンディングボックス、物体性スコア、およびクラス確率を予測するための畳み込み層と全結合層で構成されています。自己注意機構と特徴ピラミッドネットワークを組み込んで多尺度物体検出を行い、関連する画像特徴に焦点を当て、さまざまなサイズの物体を検出することができます。

コンピュートインフラストラクチャ

ハードウェア

NVIDIA A100 40GB GPUカード

ソフトウェア

モデル訓練用のJupyter Notebook環境

📄 ライセンス

ドキュメントにライセンス情報は記載されていません。

モデルカードの問い合わせ先

info@foduu.com

@ModelCard{
  author    = {Nehul Agrawal and
               Pranjal singh Thakur},
  title     = { YOLOv8s Leaf Detection and Classification},
  year      = {2023}
}