Peanut Leaf Disease Classifiers
модели для распознавания болезней листьев арахиса
2 min readupdated
Набор предобученных моделей компьютерного зрения для классификации фотографий листьев арахиса (Arachis hypogaea) крупным планом. На входе модель получает снимок листа, а на выходе распределяет его по пяти классам: здоровый лист, пятнистость листьев (Alternaria leaf spot и обычная Leaf spot), розеточность (Rosette) и ржавчина (Rust). В репозитории собраны дообученные на основе ImageNet-весов популярные архитектуры: ConvNeXt-Base, EfficientNet-B0, EfficientNet-B4 и ResNet-50. Главная особенность работы — строгая групповая кросс-валидация (разбиение данных так, чтобы похожие кадры не попадали одновременно в обучение и тест), что исключает утечку данных и завышенные метрики. Релиз пригодится исследователям в области агротеха и разработчикам систем мониторинга растений.
Ключевые особенности
- 5 конфигураций и 25 чекпоинтов: для каждой из пяти связок архитектуры и режима обучения доступны веса всех пяти фолдов (
fold0–fold4) в формате.safetensors. - Защита от утечки данных: почти идентичные фотографии из датасета объединены в группы, которые изолированы между выборками
train,valиtest. - Два режима дообучения: стратегия P (обучение только последнего блока и нового классификатора с заморозкой остальных слоёв) и стратегия B (полное дообучение всех слоёв с label smoothing).
- Готовый скрипт инференса: файл
inference.pyберёт на себя чтение EXIF-ориентации, ресайз, нормализацию ImageNet и усреднение предсказаний по всем фолдам.
Что можно сделать
- Собрать прототип мобильного или веб-сервиса для первичной сортировки снимков листьев арахиса с помощью лёгкой модели
efficientnet_b0__P. - Использовать ансамбль из пяти фолдов лучшей конфигурации
convnext_base__Bдля максимальной точности в исследовательских пайплайнах. - Взять опубликованные разбиения
cv_splits.csvи таблицу групп дубликатовimages.csvкак эталонный бенчмарк для честного сравнения собственных архитектур на датасете Mendeley.
Пример
from huggingface_hub import snapshot_download
import sys
root = snapshot_download("Kashif-Mahmood007/peanut-leaf-disease-classifiers")
sys.path.insert(0, root)
from inference import load_model, predict_proba, CLASSES
net, cfg = load_model("resnet50__P", fold=0, root=root)
prob = predict_proba(net, cfg, ["leaf.jpg"])
print(CLASSES[int(prob[0].argmax())], float(prob[0].max()))
Подробнее
Лучшая точность на тесте уconvnext_base__B: 99.31 ± 0.42% (Macro-F1: 99.16 ± 0.52%, верно 1708 из 1720 снимков).Модели
efficientnet_b4__P, convnext_base__P, resnet50__P и efficientnet_b0__P показывают от 97.45% до 98.67% точности.Веса хранятся во float16 и загружаются во float32; для запуска нужны PyTorch, torchvision, safetensors и Pillow.
Ограничения: обучение велось на одном датасете из одного региона Индии на одну модель смартфона; модели не умеют находить несколько болезней на одном листе и не предназначены для реальной агрономической диагностики.










Comments