Vegetation Classification Model

🚀 植被分類模型

這是一個基於Transformer架構的圖像分類模型，採用遷移學習技術實現，可有效對植被圖像進行分類，為相關領域提供準確的圖像識別支持。

🚀 快速開始

你可以藉助Hugging Face的Transformers庫中的pipeline類直接使用該模型，或者將目標圖像上傳到託管推理API。

>>>from transformers import pipeline
>>>classifier = pipeline("image-classification", model="iammartian0/vegetation_classification_model")
>>>classifier(image)

✨ 主要特性

• 基於Transformer架構，利用遷移學習技術，提升模型性能。
• 預訓練模型採用在Imagenet - 21k上訓練的Vision transformer。
• 模型在特定數據集上微調後，Top - 1準確率達到0.929。

📦 安裝指南

文檔未提及具體安裝步驟，暫不展示。

💻 使用示例

基礎用法

>>>from transformers import pipeline
>>>classifier = pipeline("image-classification", model="iammartian0/vegetation_classification_model")
>>>classifier(image)

高級用法

將目標圖像上傳到託管推理API進行使用。

📚 詳細文檔

模型描述

這是一個基於Transformers的圖像分類模型，採用遷移學習技術實現。預訓練模型是在Imagenet - 21k上訓練的Vision transformer。

數據集

使用的數據集從Git倉庫Agri - Hub/Space2Ground下載。本模型使用了街道級圖像補丁文件夾，該數據集包含從Mapillary街道級圖像中裁剪出的植被部分。更多詳細信息可查看鏈接的Git倉庫。

訓練過程

預處理

根據父文件夾名稱分配標籤。

圖像變換

對所有訓練圖像應用torchvision.transforms中的RandomResizedCrop。

微調

模型在數據集上進行了四個epoch的微調。

評估結果

模型的Top - 1準確率達到了0.929。

進一步探索方向

• 訓練一個多標籤模型，除了對植被進行分類外，還能判斷圖像是來自左側還是右側。
• 使用原始/初始的街道級圖像集對作物標籤進行細粒度分類。

🔧 技術細節

本模型基於遷移學習技術，利用預訓練的Vision Transformer模型在特定數據集上進行微調。在訓練過程中，通過對圖像進行預處理和變換，以及多輪的微調訓練，使得模型在植被分類任務上達到了較高的準確率。

📄 許可證

本項目採用Apache - 2.0許可證。

BibTeX引用信息

@misc{wu2020visual,
      title={Visual Transformers: Token-based Image Representation and Processing for Computer Vision}, 
      author={Bichen Wu and Chenfeng Xu and Xiaoliang Dai and Alvin Wan and Peizhao Zhang and Zhicheng Yan and Masayoshi Tomizuka and Joseph Gonzalez and Kurt Keutzer and Peter Vajda},
      year={2020},
      eprint={2006.03677},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

@INPROCEEDINGS{9816335,
  author={Choumos, George and Koukos, Alkiviadis and Sitokonstantinou, Vasileios and Kontoes, Charalampos},
  booktitle={2022 IEEE 14th Image, Video, and Multidimensional Signal Processing Workshop (IVMSP)},
  title={Towards Space-to-Ground Data Availability for Agriculture Monitoring},
  year={2022},
  volume={},
  number={},
  pages={1-5},
  doi={10.1109/IVMSP54334.2022.9816335}
}