Crop Leaf Diseases Vit

🚀 スマート農業病害検出トランスフォーマー

このモデルは、スマート農業システムの一部として、作物の病害を識別するために設計されたビジョントランスフォーマー（ViT）です。トウモロコシ、ジャガイモ、米、小麦などの作物に影響を与えるさまざまな病害カテゴリを含む、多様な植物画像のデータセットで学習されています。このモデルは、農家や農学者にリアルタイムの病害検出を提供し、より良い作物管理を可能にすることを目指しています。

🚀 クイックスタート

このモデルを使用するには、以下のコードを参考にしてください。

from PIL import Image, UnidentifiedImageError
from transformers import ViTFeatureExtractor, ViTForImageClassification
feature_extractor = ViTFeatureExtractor.from_pretrained('wambugu71/crop_leaf_diseases_vit')
model = ViTForImageClassification.from_pretrained(
    'wambugu1738/crop_leaf_diseases_vit',
    ignore_mismatched_sizes=True
)
image = Image.open('<image_path>')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

✨ 主な機能

• トウモロコシ、ジャガイモ、米、小麦などの作物の病害を識別することができます。
• さまざまな照明条件や環境で撮影された画像に対応しています。
• 高精度な病害検出を提供し、農家や農学者にリアルタイムの情報を提供します。

📦 インストール

このモデルはtransformersライブラリを使用しています。必要なライブラリをインストールするには、以下のコマンドを実行してください。

pip install transformers

📚 ドキュメント

モデルの詳細

モデルの説明

このビジョントランスフォーマーモデルは、農業環境で一般的に見られるさまざまな植物病害を分類するように微調整されています。トウモロコシ、ジャガイモ、米、小麦などの作物の病害を分類し、錆病、疫病、葉斑病などの病害を識別することができます。このモデルの目標は、農家が病害を早期に検出し、適切な対策を講じることで、精密農業を可能にすることです。

モデルが識別する病害

モデルの使用方法

直接使用

このモデルは、作物の画像を分類して植物病害を検出するために直接使用することができます。精密農業に特に有用で、ユーザーが作物の健康状態を監視し、検出された病害に基づいて早期介入を行うことができます。

下流の使用

このモデルは、特定の作物や地域の他の農業データセットで微調整して、その性能を向上させることができます。また、天気予測や灌漑制御などの他の機能を含む大規模な精密農業システムに統合することもできます。モデルのパラメータサイズが小さいため、精度を損なうことなく、エッジデバイスで量子化または完全精度で展開することができます。

範囲外の使用

このモデルは、非農業用の画像分類タスクや、不十分または非常にノイズの多いデータの環境では設計されていません。誤用には、モデルが学習された農業条件と大きく異なる地域での使用が含まれます。

トレーニングの詳細

トレーニングデータ

このモデルは、ラベル付けされた病害を持つさまざまな作物の画像を含むデータセットでトレーニングされました。以下のカテゴリが含まれています。

• トウモロコシ: 一般的な錆病、灰色の葉斑病、葉枯病、健康
• ジャガイモ: 早期疫病、後期疫病、健康
• 米: 褐色斑点病、ヒスパ、葉いもち病、健康
• 小麦: 褐色錆病、黄色錆病、健康

データセットには、さまざまな照明条件下で、制御された環境と制御されていない環境の両方から、さまざまな角度で撮影された画像も含まれており、実世界の農業シナリオをシミュレートしています。公開されているデータセットと独自のプライベートデータを使用しました。

トレーニング手順

このモデルは、ImageNetデータセットで事前学習されたビジョントランスフォーマーアーキテクチャを使用して微調整されました。データセットは、画像をリサイズし、ピクセル値を正規化することで前処理されました。

トレーニングハイパーパラメータ

• バッチサイズ: 32
• 学習率: 2e-5
• エポック数: 4
• オプティマイザ: AdamW
• 精度: fp16

評価

テストデータ、要因、メトリクス

このモデルは、元のデータセットの20%からなる検証セットを使用して評価され、以下のメトリクスが得られました。

• 正解率: 98%
• 適合率: 97%
• 再現率: 97%
• F1スコア: 96%

環境への影響

モデルトレーニング中の二酸化炭素排出量は、Machine Learning Impact calculatorを使用して推定することができます。

• ハードウェアタイプ: NVIDIA L40S
• 使用時間: 1時間
• クラウドプロバイダー: Lightning AI

技術仕様

モデルアーキテクチャと目的

このモデルは、ビジョントランスフォーマーアーキテクチャを使用して画像表現を学習し、それを病害カテゴリに分類します。その自己注意機構により、画像内のグローバルな文脈情報を捉えることができるため、農業病害検出に適しています。

コンピュートインフラストラクチャ

ハードウェア

• NVIDIA L40S GPU
• 48 GB RAM
• 高速I/O用のSSDストレージ

ソフトウェア

• Python 3.9
• PyTorch 2.4.1+cu121
• pytorch_lightning
• Hugging FaceのTransformersライブラリ

引用

このモデルを研究やアプリケーションで使用する場合は、以下のように引用してください。 BibTeX:

@misc{kinyua2024smartfarming,
  title={Smart Farming Disease Detection Transformer},
  author={Wambugu Kinyua},
  year={2024},
  publisher={Hugging Face},
}

APA: Kinyua, W. (2024). Smart Farming Disease Detection Transformer. Hugging Face.

モデルカードの問い合わせ

さらなる問い合わせは、wambugukinyua@proton.meまでお問い合わせください。