Plant Leaf Detection And Classification

🚀 YOLOv8s葉片檢測與分類模型

本模型基於YOLO（You Only Look Once）框架，是一款強大的目標檢測模型，能夠精準檢測並分類圖像中的各類葉片，在目標檢測任務中達到了0.946的精度（mAP@0.5）。

🚀 快速開始

要開始使用YOLOv8s葉片檢測與分類模型，請按照以下步驟操作：

1. 使用pip安裝 ultralyticsplus 和 ultralytics 庫：

pip install ultralyticsplus==0.0.28 ultralytics==8.0.43

2. 使用以下代碼片段加載模型並進行預測：

from ultralyticsplus import YOLO, render_result

# 加載模型
model = YOLO('foduucom/plant-leaf-detection-and-classification')

# 設置模型參數
model.overrides['conf'] = 0.25  # NMS置信度閾值
model.overrides['iou'] = 0.45  # NMS IoU閾值
model.overrides['agnostic_nms'] = False  # NMS類別無關
model.overrides['max_det'] = 1000  # 每張圖像的最大檢測數

# 設置圖像
image = 'path/to/your/image'

# 進行推理
results = model.predict(image)

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

✨ 主要特性

• 即時檢測：基於YOLOv8架構，具備即時目標檢測能力。
• 多類別分類：可識別並分類來自46種不同植物物種的葉片。
• 用戶協作：鼓勵用戶貢獻自己的植物葉片數據，以增強模型的識別能力。

📚 詳細文檔

模型詳情

模型描述

YOLOv8s葉片檢測與分類模型構建於YOLOv8架構之上，該架構以其即時目標檢測能力而聞名。此特定模型經過訓練，能夠識別和分類來自不同植物物種的各類葉片。它可以檢測圖像中的多個葉片實例，並將它們分配到各自的類別中。

['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']

• 開發者：FODUU AI
• 模型類型：目標檢測
• 語言（NLP）：英語

此外，YOLOv8s葉片檢測與分類模型允許用戶貢獻自己的植物葉片數據，鼓勵用戶協作。用戶可以提交新植物物種的圖像，併為分類建議植物名稱。我們的團隊將努力將這些新的植物類別融入模型，增強其識別和分類更多種類植物葉片的能力。歡迎用戶通過我們的社區平臺或發送電子郵件至 info@foduu.com 分享植物名稱和相應的數據集鏈接，積極參與擴展模型的能力。您的貢獻將在豐富模型對不同植物物種的知識和識別方面發揮關鍵作用。

用途

直接使用

該模型可直接用於與葉片檢測和分類相關的目標檢測任務，無需微調或集成到更大的生態系統或應用程序中。

下游使用

該模型還可針對特定的葉片檢測和分類任務進行微調，或集成到更大的應用程序中，用於植物相關研究、農業或環境監測。

超出範圍的使用

該模型不適用於與葉片檢測和分類無關的任務或目標檢測場景。

偏差、風險和侷限性

YOLOv8s葉片檢測與分類模型可能存在一些侷限性和偏差：

• 模型的性能可能因訓練數據的質量和多樣性而異。
• 對於嚴重遮擋或與其他物體重疊的葉片，檢測可能會有困難。
• 光照條件、圖像質量和分辨率的變化可能會影響模型的準確性。
• 對於圖像中非常小或遙遠的葉片，可能無法準確檢測。
• 對於彼此非常相似的葉片物種，模型的分類準確性可能較低。
• 模型的偏差可能源於訓練數據中存在的偏差。

建議

用戶（包括直接用戶和下游用戶）應瞭解模型的風險、偏差和侷限性。建議進行進一步的研究和實驗，以評估其在特定用例和領域中的性能。

🔧 技術細節

訓練詳情

訓練數據

該模型在數百張來自46種不同植物的圖像上進行訓練，包括染病葉片和健康葉片。

訓練過程

訓練過程需要高GPU容量，最多運行50個epoch，每個epoch代表對整個訓練數據集的一次完整遍歷，通過調整模型權重來最小化分類損失並優化性能。

指標

• mAP@0.5 (box)：0.946

總結

YOLOv8s是一個強大的卷積神經網絡，專為46種以上植物物種的葉片檢測和分類而設計。它利用修改後的CSPDarknet53骨幹網絡、自注意力機制和特徵金字塔網絡進行準確的多尺度目標檢測，能夠精確識別和分類植物葉片。

模型架構和目標

YOLOv8架構使用修改後的CSPDarknet53作為骨幹網絡，具有53個卷積層和跨階段部分連接，以改善信息流動。頭部由卷積層和全連接層組成，用於預測邊界框、目標得分和類別概率。它結合了自注意力機制和特徵金字塔網絡進行多尺度目標檢測，能夠聚焦於相關圖像特徵並檢測不同大小的物體。

計算基礎設施

硬件

NVIDIA A100 40GB GPU卡

軟件

使用Jupyter Notebook環境進行模型訓練。

📄 許可證

文檔中未提及相關許可證信息。

模型卡片聯繫方式

info@foduu.com

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