Crop Leaf Diseases Vit

🚀 智能农业病害检测Transformer模型卡片

本模型是一款视觉变换器（ViT），专为智能农业系统中的作物病害识别而设计。它在包含多种作物图像的多样化数据集上进行了训练，这些作物涵盖玉米、马铃薯、水稻和小麦等，数据集包含不同的病害类别。该模型旨在为农民和农学家提供实时病害检测，以实现更好的作物管理。

🚀 快速开始

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

• 基于视觉变换器（ViT）架构，能够有效捕捉图像中的全局上下文信息，适用于农业病害检测。
• 经过微调，可对玉米、马铃薯、水稻和小麦等多种作物的常见病害进行分类。
• 在多样化的作物图像数据集上进行训练，包括不同光照条件、环境和角度下的图像，以模拟真实的农业场景。
• 提供高精度的病害检测，准确率达到98%，能够帮助农民早期发现病害并采取适当措施。

📦 安装指南

文档未提及安装步骤，故跳过该章节。

💻 使用示例

基础用法

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])

高级用法

文档未提及高级用法相关代码示例，故跳过该部分。

📚 详细文档

模型详情

模型描述

这款视觉变换器模型经过微调，可对农业环境中常见的各种植物病害进行分类。该模型可以对玉米、马铃薯、水稻和小麦等作物的病害进行分类，识别出锈病、枯萎病、叶斑病等病害。其目标是通过帮助农民早期发现病害并采取适当行动，实现精准农业。

模型识别的病害

使用场景

直接使用

该模型可直接用于对作物图像进行分类，以检测植物病害。它对精准农业特别有用，能帮助用户监测作物健康状况，并根据检测到的病害采取早期干预措施。

下游使用

该模型可以在其他特定作物或地区的农业数据集上进行微调，以提高其性能，也可以集成到包含天气预报和灌溉控制等其他功能的大型精准农业系统中。由于其参数规模较小，该模型可以在边缘设备上进行量化或全精度部署，而不会影响精度和准确性。

适用范围外的使用

该模型不适用于非农业图像分类任务，或数据不足或噪声过大的环境。滥用情况包括在与训练环境差异很大的农业条件下使用该模型。

偏差、风险和局限性

• 该模型可能对训练数据集中存在的作物和病害存在偏差，导致对未包含的病害或作物品种的性能较低。
• 假阴性（未能检测到病害）可能导致作物损害未得到处理，而假阳性则可能导致不必要的干预。

建议

用户应在其特定的作物和农业条件下评估该模型。建议定期更新并使用本地数据进行再训练，以获得最佳性能。

训练详情

训练数据

该模型在一个包含各种作物病害标注图像的数据集上进行训练，包括以下类别：

• 玉米：普通锈病、灰斑病、叶枯病、健康
• 马铃薯：早疫病、晚疫病、健康
• 水稻：褐斑病、稻蓟马、叶瘟病、健康
• 小麦：褐锈病、黄锈病、健康

该数据集还包括在各种光照条件下、从受控和非受控环境及角度拍摄的图像，以模拟现实世界的农业场景。我们使用了公开可用的数据集和我们自己的私有数据。

训练过程

该模型使用在ImageNet数据集上预训练的视觉变换器架构进行微调。数据集通过调整图像大小和归一化像素值进行预处理。

训练超参数

• 批量大小：32
• 学习率：2e-5
• 训练轮数：4
• 优化器：AdamW
• 精度：fp16

评估

测试数据、因素和指标

该模型使用由原始数据集20%组成的验证集进行评估，评估指标如下：

• 准确率：98%
• 精确率：97%
• 召回率：97%
• F1分数：96%

环境影响

可以使用机器学习影响计算器估算模型训练期间的碳排放。

• 硬件类型：NVIDIA L40S
• 使用时长：1小时
• 云服务提供商：Lightning AI

技术规格

模型架构和目标

该模型使用视觉变换器架构学习图像表示，并将其分类到病害类别中。其自注意力机制使其能够捕捉图像中的全局上下文信息，适用于农业病害检测。

计算基础设施

硬件

• NVIDIA L40S GPU
• 48 GB内存
• 用于快速I/O的SSD存储

软件

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

引用

如果您在研究或应用中使用此模型，请按以下方式引用：

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.

模型卡片联系方式

如有进一步咨询，请联系：wambugukinyua@proton.me