基础模型:

• WinKawaks/vit-tiny-patch16-224 库名称: transformers 许可证: mit 评估指标:
• 准确率 任务标签: 图像分类 标签:
• 视觉变换器
• 农业
• 植物病害检测
• 智能农业
• 图像分类

智能农业病害检测变换器模型卡

该模型是一种视觉变换器(ViT)，专为智能农业系统中的作物病害识别而设计。它已在包含玉米、马铃薯、水稻和小麦等作物多种病害类别的植物图像数据集上进行训练，旨在为农民和农艺师提供实时病害检测，以改善作物管理。

模型详情

模型描述

该视觉变换器模型经过微调，可分类农业环境中常见的各种植物病害。模型能够识别玉米、马铃薯、水稻和小麦等作物的锈病、枯萎病、叶斑病等病害，旨在通过帮助农民早期发现病害并采取适当措施来实现精准农业。

• 开发者: Wambugu Kinyua
• 模型类型: 视觉变换器(ViT)
• 支持语言(NLP): 不适用(计算机视觉模型)
• 许可证: Apache 2.0
• 微调基础模型: (WinKawaks/vit-tiny-patch16-224)[https://huggingface.co/WinKawaks/vit-tiny-patch16-224]
• 输入: 作物图像(RGB格式)
• 输出: 病害分类标签(健康或病害类别)

模型识别的病害

用途

直接使用

该模型可直接用于作物图像分类以检测植物病害，特别适用于精准农业，使用户能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。

下游应用

该模型可在其他农业数据集上进行微调，以适应特定作物或地区，提高其性能；或集成到包含天气预报和灌溉控制等其他功能的更大精准农业系统中。

由于其参数量小，可在不损失精度和准确性的前提下进行量化或全精度部署在边缘设备上。

不适用范围

该模型不适用于非农业图像分类任务或数据不足或噪声很大的环境。滥用包括在与训练数据完全不同的农业条件下使用该模型。

偏差、风险和限制

• 模型可能偏向训练数据集中存在的作物和病害，对未包含的病害或作物品种表现较差
• 假阴性(未能检测到病害)可能导致作物损害未得到处理，而假阳性可能导致不必要的干预

建议

用户应在特定作物和种植条件下评估模型性能。建议定期使用本地数据更新和重新训练以获得最佳效果。

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('<图像路径>')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
predicted_class_idx = logits.argmax(-1).item()
print("预测类别:", model.config.id2label[predicted_class_idx])

训练详情

训练数据

模型在包含多种作物病害标记图像的数据集上训练，包括以下类别：

• 玉米: 普通锈病、灰斑病、叶枯病、健康状态
• 马铃薯: 早疫病、晚疫病、健康状态
• 水稻: 褐斑病、稻负泥虫、稻瘟病、健康状态
• 小麦: 褐锈病、黄锈病、健康状态

数据集还包含在各种光照条件下拍摄的图像，来自受控和非受控环境及不同角度，以模拟真实农业场景。我们使用了公开数据集和自有私有数据。

训练过程

模型基于在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
• 训练轮次: 4
• 优化器: AdamW
• 精度: fp16

评估

测试数据、因素和指标

使用原始数据集20%的验证集进行评估，指标如下：

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

环境影响

训练期间的碳排放量可使用机器学习影响计算器估算。

• 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

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。其自注意力机制使其能够捕捉图像中的全局上下文信息，适合农业病害检测。

计算基础设施

硬件

• NVIDIA L40S GPU
• 48 GB内存
• SSD存储实现快速I/O

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，请引用为：

BibTeX格式:

@misc{kinyua2024smartfarming,
  title={智能农业病害检测变换器},
  author={Wambugu Kinyua},
  year={2024},
  publisher={Hugging Face},
}

APA格式:

Kinyua, W. (2024). 智能农业病害检测变换器. Hugging Face.

模型卡联系人

如需进一步咨询，请联系: wambugukinyua@proton.me