tomato-leaf-disease-classification-resnet50开源模型 - 高准确率番茄叶病图像分类

首页

Tomato Leaf Disease Classification Resnet50

由 wellCh4n 开发

基于ResNet-50微调的番茄叶病图像分类模型，准确率达99.56%

图像分类

Transformers

开源协议:Apache-2.0 #高精度图像分类 #农业病害检测 #ResNet50微调

下载量 109

发布时间 : 12/21/2024

模型简介

该模型是基于microsoft/resnet-50在番茄叶病图像数据集上微调的版本，专门用于识别和分类番茄叶子的各种疾病。

模型特点

高准确率

在评估集上达到99.56%的准确率，能够可靠识别番茄叶病

基于ResNet-50

使用成熟的ResNet-50架构作为基础模型，稳定性高

精细微调

经过100轮精细训练，损失值降至0.0197

模型能力

番茄叶病图像分类

植物病害识别

农业图像分析

使用案例

农业

番茄病害诊断

帮助农民快速识别番茄叶子的病害类型

准确率99.56%

智能农业监测

集成到农业监测系统中自动检测植物健康状况

🚀 番茄叶疾病分类 - ResNet50

本模型是基于microsoft/resnet-50在wellCh4n/tomato-leaf-disease-image数据集上进行微调的版本。它在评估集上取得了以下成果：

损失值：0.0197
准确率：0.9956

🚀 快速开始

本模型可用于番茄叶疾病的分类任务，基于微调后的ResNet50模型，在评估集上展现出了较高的准确率。

📚 详细文档

训练过程

训练超参数

训练过程中使用了以下超参数：

学习率：2e-05
训练批次大小：16
评估批次大小：8
随机种子：1337
优化器：使用OptimizerNames.ADAMW_TORCH，其中betas=(0.9, 0.999)，epsilon=1e-08，无额外优化器参数
学习率调度器类型：线性
训练轮数：100.0

训练结果

训练损失	轮数	步数	验证损失	准确率
1.6891	1.0	965	1.6572	0.3488
1.1351	2.0	1930	1.1593	0.7126
0.7767	3.0	2895	0.6135	0.8168
0.7963	4.0	3860	0.3818	0.8796
0.547	5.0	4825	0.2581	0.9302
0.5104	6.0	5790	0.2106	0.9438
0.3997	7.0	6755	0.1579	0.9563
0.2527	8.0	7720	0.1292	0.9604
0.3268	9.0	8685	0.1154	0.9659
0.2595	10.0	9650	0.1018	0.9699
0.2269	11.0	10615	0.0869	0.9743
0.2515	12.0	11580	0.0783	0.9747
0.2604	13.0	12545	0.0710	0.9794
0.2583	14.0	13510	0.0704	0.9783
0.2004	15.0	14475	0.0603	0.9824
0.2552	16.0	15440	0.0565	0.9835
0.2192	17.0	16405	0.0553	0.9846
0.3443	18.0	17370	0.0508	0.9831
0.1954	19.0	18335	0.0530	0.9846
0.2685	20.0	19300	0.0430	0.9864
0.1277	21.0	20265	0.0406	0.9864
0.1388	22.0	21230	0.0404	0.9872
0.2379	23.0	22195	0.0399	0.9875
0.1018	24.0	23160	0.0441	0.9879
0.2155	25.0	24125	0.0364	0.9905
0.1699	26.0	25090	0.0398	0.9875
0.2772	27.0	26055	0.0364	0.9872
0.1669	28.0	27020	0.0369	0.9894
0.0867	29.0	27985	0.0339	0.9901
0.1314	30.0	28950	0.0322	0.9905
0.082	31.0	29915	0.0362	0.9879
0.0393	32.0	30880	0.0332	0.9908
0.0812	33.0	31845	0.0329	0.9905
0.2634	34.0	32810	0.0333	0.9897
0.1581	35.0	33775	0.0337	0.9901
0.168	36.0	34740	0.0298	0.9890
0.0653	37.0	35705	0.0311	0.9905
0.0998	38.0	36670	0.0326	0.9901
0.0947	39.0	37635	0.0288	0.9919
0.1126	40.0	38600	0.0272	0.9916
0.1319	41.0	39565	0.0272	0.9919
0.0446	42.0	40530	0.0283	0.9916
0.2453	43.0	41495	0.0281	0.9919
0.0708	44.0	42460	0.0263	0.9923
0.0441	45.0	43425	0.0262	0.9916
0.0936	46.0	44390	0.0252	0.9919
0.1565	47.0	45355	0.0284	0.9923
0.0404	48.0	46320	0.0263	0.9930
0.0357	49.0	47285	0.0240	0.9930
0.0971	50.0	48250	0.0285	0.9916
0.0582	51.0	49215	0.0251	0.9923
0.048	52.0	50180	0.0257	0.9919
0.1218	53.0	51145	0.0252	0.9930
0.0576	54.0	52110	0.0227	0.9930
0.0723	55.0	53075	0.0227	0.9930
0.1347	56.0	54040	0.0242	0.9941
0.1684	57.0	55005	0.0255	0.9927
0.0525	58.0	55970	0.0250	0.9938
0.1031	59.0	56935	0.0265	0.9923
0.0768	60.0	57900	0.0244	0.9941
0.0416	61.0	58865	0.0207	0.9934
0.1783	62.0	59830	0.0237	0.9941
0.1253	63.0	60795	0.0269	0.9912
0.0448	64.0	61760	0.0236	0.9941
0.0967	65.0	62725	0.0230	0.9934
0.0486	66.0	63690	0.0229	0.9941
0.0442	67.0	64655	0.0256	0.9934
0.0526	68.0	65620	0.0210	0.9945
0.0949	69.0	66585	0.0250	0.9938
0.0674	70.0	67550	0.0228	0.9938
0.1554	71.0	68515	0.0240	0.9941
0.0598	72.0	69480	0.0233	0.9945
0.0632	73.0	70445	0.0218	0.9949
0.0951	74.0	71410	0.0234	0.9945
0.1634	75.0	72375	0.0245	0.9945
0.2039	76.0	73340	0.0222	0.9938
0.0741	77.0	74305	0.0226	0.9949
0.0923	78.0	75270	0.0218	0.9949
0.0351	79.0	76235	0.0230	0.9945
0.1234	80.0	77200	0.0244	0.9934
0.0659	81.0	78165	0.0232	0.9945
0.0393	82.0	79130	0.0210	0.9949
0.053	83.0	80095	0.0205	0.9945
0.0575	84.0	81060	0.0210	0.9945
0.0651	85.0	82025	0.0198	0.9949
0.0875	86.0	82990	0.0210	0.9945
0.1006	87.0	83955	0.0214	0.9949
0.0466	88.0	84920	0.0211	0.9941
0.088	89.0	85885	0.0233	0.9923
0.1162	90.0	86850	0.0197	0.9956
0.0641	91.0	87815	0.0213	0.9949
0.0867	92.0	88780	0.0203	0.9952
0.0305	93.0	89745	0.0212	0.9941
0.1009	94.0	90710	0.0200	0.9956
0.084	95.0	91675	0.0200	0.9960
0.0409	96.0	92640	0.0213	0.9949
0.107	97.0	93605	0.0210	0.9934
0.0558	98.0	94570	0.0206	0.9952
0.0644	99.0	95535	0.0219	0.9949
0.0617	100.0	96500	0.0205	0.9941