标签:

• ultralyticsplus
• yolov8
• ultralytics
• yolo
• 视觉
• 目标检测
• pytorch
• awesome-yolov8-models
• 植物分类
• 植物检测
• 叶片分类
• 叶片检测
• 作物检测
• 病害检测 库名称: ultralytics 库版本: 8.0.43 推理: False 模型索引:
• 名称: foduucom/plant-leaf-detection-and-classification 结果:
  • 任务: 类型: 目标检测 指标:
    • 类型: 精确度 值: 0.946 名称: mAP@0.5(box) 语言:
• en 指标:
• 准确率

以下是YOLOv8s叶片检测与分类模型的模型卡：

模型概述

YOLOv8s叶片检测与分类模型是基于YOLO（You Only Look Once）框架的目标检测模型，专为检测和分类图像中的各类叶片设计。该模型在目标检测任务上达到了0.946的精确度（mAP@0.5）。

模型详情

模型描述

YOLOv8s叶片检测与分类模型构建于以实时目标检测能力著称的YOLOv8架构。此特定模型经过训练，可识别并分类来自不同植物物种的多种叶片类型。它能检测图像中的多个叶片实例，并将其归类到相应类别。

['姜', '香蕉', '烟草', '观赏植物', '玫瑰', '大豆', '木瓜', '大蒜', '树莓', '芒果', '棉花', '玉米', '石榴', '草莓', '蓝莓', '茄子', '土豆', '小麦', '橄榄', '水稻', '柠檬', '卷心菜', '番石榴', '辣椒', '甜椒', '向日葵', '樱桃', '木薯', '苹果', '茶叶', '甘蔗', '花生', '杂草', '桃子', '咖啡', '花椰菜', '番茄', '洋葱', '鹰嘴豆', '人心果', '黑莓', '蓖麻', '豌豆', '黄瓜', '葡萄', '豆蔻']

• 开发团队: FODUU AI
• 模型类型: 目标检测
• 语言支持(NLP): 英语

此外，YOLOv8s叶片检测与分类模型鼓励用户协作，允许贡献自己的植物叶片数据。用户可以提交新植物物种的图像，并建议植物名称用于分类。我们的团队将努力将这些新植物类别纳入模型，增强其识别和分类更广泛植物叶片的能力。 用户可通过我们的社区平台或发送邮件至info@foduu.com，主动参与扩展YOLOv8s叶片检测与分类模型的能力，分享植物名称及对应数据集链接。您的贡献将在丰富模型对多样植物物种的知识和识别能力中发挥关键作用。

用途

直接使用

YOLOv8s叶片检测与分类模型可直接用于与叶片检测和分类相关的目标检测任务，无需微调或集成到更大的生态系统或应用中。

下游使用

该模型也可针对特定叶片检测和分类任务进行微调，或集成到更大的应用中，用于植物相关研究、农业或环境监测。

超出范围的使用

该模型不适用于与叶片检测和分类无关的任务或目标检测场景。

偏差、风险与限制

YOLOv8s叶片检测与分类模型可能存在以下限制和偏差：

• 模型性能可能因训练数据的质量和多样性而异。
• 对于严重遮挡或与其他物体重叠的叶片，模型可能难以检测。
• 光照条件、图像质量和分辨率的变化可能影响模型的准确性。
• 对于图像中非常小或遥远的叶片，模型可能无法准确检测。
• 对于外观极为相似的叶片物种，模型的分类准确性可能较低。
• 模型的偏差可能源自训练数据中存在的偏差。

建议

用户（包括直接和下游用户）应了解模型的风险、偏差和限制。建议进行进一步研究和实验，以评估其在特定用例和领域中的表现。

如何开始使用模型

要开始使用YOLOv8s叶片检测与分类模型，请按照以下步骤操作：

1. 使用pip安装ultralyticsplus和ultralytics库：

pip install ultralyticsplus==0.0.28 ultralytics==8.0.43

2. 加载模型并使用提供的代码片段进行预测。

from ultralyticsplus import YOLO, render_result

# 加载模型
model = YOLO('foduucom/plant-leaf-detection-and-classification')

# 设置模型参数
model.overrides['conf'] = 0.25  # NMS置信度阈值
model.overrides['iou'] = 0.45  # NMS IoU阈值
model.overrides['agnostic_nms'] = False  # NMS类别无关
model.overrides['max_det'] = 1000  # 每张图像的最大检测数


# 设置图像
image = 'path/to/your/image'

# 执行推理
results = model.predict(image)

# 观察结果
print(results[0].boxes)
render = render_result(model=model, image=image, result=results[0])
render.show()

训练详情

训练数据

该模型基于数百张46种不同植物的图像进行训练，包括病害感染和健康的叶片。

训练过程

训练过程涉及使用高GPU容量，运行多达50个epoch，每个epoch代表完整遍历整个训练数据集，调整模型权重以最小化分类损失并优化性能。

指标

• mAP@0.5 (box): 0.946

总结

YOLOv8s是一个强大的卷积神经网络，专为46种以上植物物种的叶片检测和分类而设计。它利用改进的CSPDarknet53骨干网络、自注意力机制和特征金字塔网络，实现精确的多尺度目标检测，提供植物叶片的准确识别和分类。

模型架构与目标

YOLOv8架构采用改进的CSPDarknet53作为骨干网络，具有53个卷积层和跨阶段部分连接以改善信息流。头部由卷积层和全连接层组成，用于预测边界框、目标性分数和类别概率。它结合了自注意力机制和特征金字塔网络，用于多尺度目标检测，能够聚焦相关图像特征并检测不同大小的物体。

计算基础设施

硬件

NVIDIA A100 40GB GPU卡

软件

用于模型训练的Jupyter Notebook环境。

模型卡联系方式

info@foduu.com

@ModelCard{
  author    = {Nehul Agrawal and
               Pranjal singh Thakur},
  title     = { YOLOv8s叶片检测与分类},
  year      = {2023}
}