Crop Leaf Diseases Vit

🚀 智能農業病害檢測Transformer模型卡片

本模型是一款視覺變換器（ViT），專為智能農業系統中的作物病害識別而設計。它在包含多種作物圖像的多樣化數據集上進行了訓練，這些作物涵蓋玉米、馬鈴薯、水稻和小麥等，數據集包含不同的病害類別。該模型旨在為農民和農學家提供即時病害檢測，以實現更好的作物管理。

🚀 快速開始

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])

✨ 主要特性

• 基於視覺變換器（ViT）架構，能夠有效捕捉圖像中的全局上下文信息，適用於農業病害檢測。
• 經過微調，可對玉米、馬鈴薯、水稻和小麥等多種作物的常見病害進行分類。
• 在多樣化的作物圖像數據集上進行訓練，包括不同光照條件、環境和角度下的圖像，以模擬真實的農業場景。
• 提供高精度的病害檢測，準確率達到98%，能夠幫助農民早期發現病害並採取適當措施。

📦 安裝指南

文檔未提及安裝步驟，故跳過該章節。

💻 使用示例

基礎用法

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])

高級用法

文檔未提及高級用法相關代碼示例，故跳過該部分。

📚 詳細文檔

模型詳情

模型描述

這款視覺變換器模型經過微調，可對農業環境中常見的各種植物病害進行分類。該模型可以對玉米、馬鈴薯、水稻和小麥等作物的病害進行分類，識別出鏽病、枯萎病、葉斑病等病害。其目標是通過幫助農民早期發現病害並採取適當行動，實現精準農業。

模型識別的病害

使用場景

直接使用

該模型可直接用於對作物圖像進行分類，以檢測植物病害。它對精準農業特別有用，能幫助用戶監測作物健康狀況，並根據檢測到的病害採取早期干預措施。

下游使用

該模型可以在其他特定作物或地區的農業數據集上進行微調，以提高其性能，也可以集成到包含天氣預報和灌溉控制等其他功能的大型精準農業系統中。由於其參數規模較小，該模型可以在邊緣設備上進行量化或全精度部署，而不會影響精度和準確性。

適用範圍外的使用

該模型不適用於非農業圖像分類任務，或數據不足或噪聲過大的環境。濫用情況包括在與訓練環境差異很大的農業條件下使用該模型。

偏差、風險和侷限性

• 該模型可能對訓練數據集中存在的作物和病害存在偏差，導致對未包含的病害或作物品種的性能較低。
• 假陰性（未能檢測到病害）可能導致作物損害未得到處理，而假陽性則可能導致不必要的干預。

建議

用戶應在其特定的作物和農業條件下評估該模型。建議定期更新並使用本地數據進行再訓練，以獲得最佳性能。

訓練詳情

訓練數據

該模型在一個包含各種作物病害標註圖像的數據集上進行訓練，包括以下類別：

• 玉米：普通鏽病、灰斑病、葉枯病、健康
• 馬鈴薯：早疫病、晚疫病、健康
• 水稻：褐斑病、稻薊馬、葉瘟病、健康
• 小麥：褐鏽病、黃鏽病、健康

該數據集還包括在各種光照條件下、從受控和非受控環境及角度拍攝的圖像，以模擬現實世界的農業場景。我們使用了公開可用的數據集和我們自己的私有數據。

訓練過程

該模型使用在ImageNet數據集上預訓練的視覺變換器架構進行微調。數據集通過調整圖像大小和歸一化像素值進行預處理。

訓練超參數

• 批量大小：32
• 學習率：2e-5
• 訓練輪數：4
• 優化器：AdamW
• 精度：fp16

評估

測試數據、因素和指標

該模型使用由原始數據集20%組成的驗證集進行評估，評估指標如下：

• 準確率：98%
• 精確率：97%
• 召回率：97%
• F1分數：96%

環境影響

可以使用機器學習影響計算器估算模型訓練期間的碳排放。

• 硬件類型：NVIDIA L40S
• 使用時長：1小時
• 雲服務提供商：Lightning AI

技術規格

模型架構和目標

該模型使用視覺變換器架構學習圖像表示，並將其分類到病害類別中。其自注意力機制使其能夠捕捉圖像中的全局上下文信息，適用於農業病害檢測。

計算基礎設施

硬件

• NVIDIA L40S GPU
• 48 GB內存
• 用於快速I/O的SSD存儲

軟件

• Python 3.9
• PyTorch 2.4.1+cu121
• pytorch_lightning
• Hugging Face的Transformers庫

引用

如果您在研究或應用中使用此模型，請按以下方式引用：

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.

模型卡片聯繫方式

如有進一步諮詢，請聯繫：wambugukinyua@proton.me