К содержимому
Другое

Peanut Leaf Disease Classifiers

модели для распознавания болезней листьев арахиса

2 мин чтенияобновлено

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, val и test.
  • 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.py берёт 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__B для максимальной точности в исследовательских пайплайнах.
  • Взять опубликованные разбиения cv_splits.csv и таблицу групп дубликатов images.csv как 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 у convnext_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.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.2 GB · готовые файлы0.7 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.0 GB0.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Kashif-Mahmood007/peanut-leaf-disease-classifiers
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Kashif-Mahmood007/peanut-leaf-disease-classifiers --local-dir ~/models/peanut-leaf-disease-classifiers
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к peanut-leaf-disease-classifiers
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии peanut-leaf-disease-classifiers — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

Kashif-Mahmood007/peanut-leaf-disease-classifiers
Автор
Kashif-Mahmood007
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

LeafLens

LeafLens