tomato-leaf-disease-classification-resnet50開源模型 - 高準確率番茄葉病圖像分類

首頁

Tomato Leaf Disease Classification Resnet50

由wellCh4n開發

基於ResNet-50微調的番茄葉病圖像分類模型，準確率達99.56%

圖像分類

Transformers

開源協議:Apache-2.0 #高精度圖像分類 #農業病害檢測 #ResNet50微調

下載量 109

發布時間 : 12/21/2024

模型概述

該模型是基於microsoft/resnet-50在番茄葉病圖像數據集上微調的版本，專門用於識別和分類番茄葉子的各種疾病。

模型特點

高準確率

在評估集上達到99.56%的準確率，能夠可靠識別番茄葉病

基於ResNet-50

使用成熟的ResNet-50架構作為基礎模型，穩定性高

精細微調

經過100輪精細訓練，損失值降至0.0197

模型能力

番茄葉病圖像分類

植物病害識別

農業圖像分析

使用案例

農業

番茄病害診斷

幫助農民快速識別番茄葉子的病害類型

準確率99.56%

智能農業監測

集成到農業監測系統中自動檢測植物健康狀況

🚀 番茄葉疾病分類 - ResNet50

本模型是基於microsoft/resnet-50在wellCh4n/tomato-leaf-disease-image數據集上進行微調的版本。它在評估集上取得了以下成果：

損失值：0.0197
準確率：0.9956

🚀 快速開始

本模型可用於番茄葉疾病的分類任務，基於微調後的ResNet50模型，在評估集上展現出了較高的準確率。

📚 詳細文檔

訓練過程

訓練超參數

訓練過程中使用了以下超參數：

學習率：2e-05
訓練批次大小：16
評估批次大小：8
隨機種子：1337
優化器：使用OptimizerNames.ADAMW_TORCH，其中betas=(0.9, 0.999)，epsilon=1e-08，無額外優化器參數
學習率調度器類型：線性
訓練輪數：100.0

訓練結果

訓練損失	輪數	步數	驗證損失	準確率
1.6891	1.0	965	1.6572	0.3488
1.1351	2.0	1930	1.1593	0.7126
0.7767	3.0	2895	0.6135	0.8168
0.7963	4.0	3860	0.3818	0.8796
0.547	5.0	4825	0.2581	0.9302
0.5104	6.0	5790	0.2106	0.9438
0.3997	7.0	6755	0.1579	0.9563
0.2527	8.0	7720	0.1292	0.9604
0.3268	9.0	8685	0.1154	0.9659
0.2595	10.0	9650	0.1018	0.9699
0.2269	11.0	10615	0.0869	0.9743
0.2515	12.0	11580	0.0783	0.9747
0.2604	13.0	12545	0.0710	0.9794
0.2583	14.0	13510	0.0704	0.9783
0.2004	15.0	14475	0.0603	0.9824
0.2552	16.0	15440	0.0565	0.9835
0.2192	17.0	16405	0.0553	0.9846
0.3443	18.0	17370	0.0508	0.9831
0.1954	19.0	18335	0.0530	0.9846
0.2685	20.0	19300	0.0430	0.9864
0.1277	21.0	20265	0.0406	0.9864
0.1388	22.0	21230	0.0404	0.9872
0.2379	23.0	22195	0.0399	0.9875
0.1018	24.0	23160	0.0441	0.9879
0.2155	25.0	24125	0.0364	0.9905
0.1699	26.0	25090	0.0398	0.9875
0.2772	27.0	26055	0.0364	0.9872
0.1669	28.0	27020	0.0369	0.9894
0.0867	29.0	27985	0.0339	0.9901
0.1314	30.0	28950	0.0322	0.9905
0.082	31.0	29915	0.0362	0.9879
0.0393	32.0	30880	0.0332	0.9908
0.0812	33.0	31845	0.0329	0.9905
0.2634	34.0	32810	0.0333	0.9897
0.1581	35.0	33775	0.0337	0.9901
0.168	36.0	34740	0.0298	0.9890
0.0653	37.0	35705	0.0311	0.9905
0.0998	38.0	36670	0.0326	0.9901
0.0947	39.0	37635	0.0288	0.9919
0.1126	40.0	38600	0.0272	0.9916
0.1319	41.0	39565	0.0272	0.9919
0.0446	42.0	40530	0.0283	0.9916
0.2453	43.0	41495	0.0281	0.9919
0.0708	44.0	42460	0.0263	0.9923
0.0441	45.0	43425	0.0262	0.9916
0.0936	46.0	44390	0.0252	0.9919
0.1565	47.0	45355	0.0284	0.9923
0.0404	48.0	46320	0.0263	0.9930
0.0357	49.0	47285	0.0240	0.9930
0.0971	50.0	48250	0.0285	0.9916
0.0582	51.0	49215	0.0251	0.9923
0.048	52.0	50180	0.0257	0.9919
0.1218	53.0	51145	0.0252	0.9930
0.0576	54.0	52110	0.0227	0.9930
0.0723	55.0	53075	0.0227	0.9930
0.1347	56.0	54040	0.0242	0.9941
0.1684	57.0	55005	0.0255	0.9927
0.0525	58.0	55970	0.0250	0.9938
0.1031	59.0	56935	0.0265	0.9923
0.0768	60.0	57900	0.0244	0.9941
0.0416	61.0	58865	0.0207	0.9934
0.1783	62.0	59830	0.0237	0.9941
0.1253	63.0	60795	0.0269	0.9912
0.0448	64.0	61760	0.0236	0.9941
0.0967	65.0	62725	0.0230	0.9934
0.0486	66.0	63690	0.0229	0.9941
0.0442	67.0	64655	0.0256	0.9934
0.0526	68.0	65620	0.0210	0.9945
0.0949	69.0	66585	0.0250	0.9938
0.0674	70.0	67550	0.0228	0.9938
0.1554	71.0	68515	0.0240	0.9941
0.0598	72.0	69480	0.0233	0.9945
0.0632	73.0	70445	0.0218	0.9949
0.0951	74.0	71410	0.0234	0.9945
0.1634	75.0	72375	0.0245	0.9945
0.2039	76.0	73340	0.0222	0.9938
0.0741	77.0	74305	0.0226	0.9949
0.0923	78.0	75270	0.0218	0.9949
0.0351	79.0	76235	0.0230	0.9945
0.1234	80.0	77200	0.0244	0.9934
0.0659	81.0	78165	0.0232	0.9945
0.0393	82.0	79130	0.0210	0.9949
0.053	83.0	80095	0.0205	0.9945
0.0575	84.0	81060	0.0210	0.9945
0.0651	85.0	82025	0.0198	0.9949
0.0875	86.0	82990	0.0210	0.9945
0.1006	87.0	83955	0.0214	0.9949
0.0466	88.0	84920	0.0211	0.9941
0.088	89.0	85885	0.0233	0.9923
0.1162	90.0	86850	0.0197	0.9956
0.0641	91.0	87815	0.0213	0.9949
0.0867	92.0	88780	0.0203	0.9952
0.0305	93.0	89745	0.0212	0.9941
0.1009	94.0	90710	0.0200	0.9956
0.084	95.0	91675	0.0200	0.9960
0.0409	96.0	92640	0.0213	0.9949
0.107	97.0	93605	0.0210	0.9934
0.0558	98.0	94570	0.0206	0.9952
0.0644	99.0	95535	0.0219	0.9949
0.0617	100.0	96500	0.0205	0.9941