WeedScan KZ

Исследовательский проект Astana IT University: набор обученных YOLO-чекпоинтов для object detection сорняков и веб-приложение на React/FastAPI. В релизе доступны варианты на 10, 15 и 5 классов, а также логи экспериментов и скрипты обучения.

📝 Ключевые особенности

• 👍 Доступны веса YOLOv26n для 10 классов и YOLOv8n для 15 и 5 классов.
• 📝 Заявлены пиковые validation mAP@0.5: 96.727%, 83.318% и 90.701% соответственно.
• 🤝 В релиз входят скрипты обучения, логи экспериментов и приложение с анализом изображений и сеткой поля.
• 😎 Для ten-class подготовки указано 5 588 изображений и 7 659 аннотаций, включая аугментации.
• 🫤 Это research prototype: метрики взяты из results.csv, а не из свежего теста.

⌨ Пример

python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
python predict.py --image path/to/field.jpg --variant yolov26n-10class

Подробнее

Лучший залогированный mAP@0.5 — 97.700% у YOLOv26l, но его весов нет в релизе; доступный YOLOv26n — 96.727%.
Метрики — максимумы из results.csv, не независимый тест; классы и разбиение данных требуют проверки.
Веса Ultralytics под AGPL-3.0; это прототип, а не подтверждённый полевой эксперимент.