# 農業圖像分析

基於google/vit-base-patch16-224-in21k在beans數據集上微調的視覺Transformer模型，用於圖像分類任務

基於SegFormer架構的植物葉片病害圖像分割模型，在增強數據集上微調，能準確識別多種植物病害類型。

基於Google的ViT模型在beans數據集上微調的高精度圖像分類模型

基於Google Vision Transformer(ViT)架構微調的豆類葉片疾病分類模型

該模型是基於Google的ViT架構在beans數據集上微調的圖像分類模型，在驗證集上達到了97.74%的準確率。

該模型是基於Google的ViT-base-patch16-224-in21k在beans數據集上微調的圖像分類模型，準確率達98.5%。

基於ViT架構的玉米葉片檢測模型，在評估集上達到91.54%的準確率

基於Google的ViT模型在beans數據集上微調的圖像分類模型，準確率達97.74%

該模型是基於Google的ViT架構在beans數據集上微調的圖像分類模型，準確率達到97.74%。

該模型是基於Google的ViT架構在beans數據集上微調的圖像分類模型，準確率達到97.74%。

基於Google的ViT基礎模型在豆類圖像數據集上微調的視覺分類模型，準確率達97.74%

基於Google的ViT模型在beans數據集上微調的高精度圖像分類模型

該模型是基於Google的ViT架構，在beans數據集上微調的圖像分類模型，準確率達98.5%。

基於Google的ViT模型在beans數據集上微調得到的圖像分類模型，準確率達98.5%

基於Swin Transformer架構的植物病害圖像分類模型，在植物病害數據集上微調，準確率達96.9%

這是一個基於HuggingPics生成的圖像分類模型，專門用於識別不同種類的穀物。

該模型是基於ConvNeXt-Tiny架構在beans數據集上微調的圖像分類模型，準確率達到96.09%。

這是一個基於Swin Transformer架構的微型圖像分類模型，專門針對植物健康診斷任務進行了微調，在評估集上達到了99.83%的準確率。