Fiche Modèle pour le Transformateur de Détection de Maladies en Agriculture Intelligente
Ce modèle est un Vision Transformer (ViT) conçu pour identifier les maladies des plantes dans les cultures dans le cadre d'un système d'agriculture intelligente. Il a été entraîné sur un ensemble de données diversifié d'images de plantes, incluant différentes catégories de maladies affectant les cultures telles que le maïs, la pomme de terre, le riz et le blé. Le modèle vise à fournir aux agriculteurs et agronomes une détection de maladies en temps réel pour une meilleure gestion des cultures.
Détails du Modèle
Description du Modèle
Ce modèle Vision Transformer a été affiné pour classifier diverses maladies de plantes couramment trouvées dans les environnements agricoles. Le modèle peut classifier les maladies dans les cultures telles que le maïs, la pomme de terre, le riz et le blé, identifiant des maladies comme la rouille, le mildiou, les taches foliaires, et autres. L'objectif est de permettre l'agriculture de précision en aidant les agriculteurs à détecter les maladies précocement et prendre les mesures appropriées.
Développé par : Cabrel KEPSEU
Type de modèle : Vision Transformer (ViT)
Langues (NLP) : N/A (Modèle de Vision par Ordinateur)
Sortie : Étiquettes de classification de maladies (catégories saines ou malades)
Maladies détectées par le modèle
Culture
Maladies Identifiées
Maïs
Rouille Commune
Maïs
Tache Grise des Feuilles
Maïs
Sain
Maïs
Brûlure des Feuilles
-
Invalide
Pomme de terre
Mildiou Précoce
Pomme de terre
Saine
Pomme de terre
Mildiou Tardif
Riz
Tache Brune
Riz
Sain
Riz
Pyriculariose
Blé
Rouille Brune
Blé
Sain
Blé
Rouille Jaune
Utilisations
Utilisation Directe
Ce modèle peut être utilisé directement pour classifier des images de cultures afin de détecter les maladies des plantes. Il est particulièrement utile pour l'agriculture de précision, permettant aux utilisateurs de surveiller la santé des cultures et prendre des interventions précoces basées sur la maladie détectée.
Utilisation en Aval
Ce modèle peut être affiné sur d'autres ensembles de données agricoles pour des cultures ou régions spécifiques afin d'améliorer ses performances ou être intégré dans des systèmes d'agriculture de précision plus larges qui incluent d'autres fonctionnalités comme les prédictions météorologiques et le contrôle d'irrigation.
Peut être quantifié ou déployé en pleine précision sur des appareils de périphérie grâce à sa petite taille de paramètres sans compromettre la précision et l'exactitude.
Utilisation Hors Portée
Ce modèle n'est pas conçu pour des tâches de classification d'images non agricoles ou pour des environnements avec des données insuffisantes ou très bruitées. L'utilisation abusive inclut l'utilisation du modèle dans des zones avec des conditions agricoles très différentes de celles sur lesquelles il a été entraîné.
Biais, Risques et Limitations
Le modèle peut présenter un biais envers les cultures et maladies présentes dans l'ensemble de données d'entraînement, conduisant à des performances moindres sur les maladies ou variétés de cultures non représentées.
Les faux négatifs (échec à détecter une maladie) peuvent résulter en des dommages de culture non traités, tandis que les faux positifs pourraient conduire à des interventions inutiles.
Recommandations
Les utilisateurs devraient évaluer le modèle sur leurs cultures spécifiques et conditions agricoles. Des mises à jour régulières et un réentraînement avec des données locales sont recommandés pour des performances optimales.
Le modèle a été entraîné sur un ensemble de données contenant des images de diverses cultures avec des maladies étiquetées, incluant les catégories suivantes :
Maïs : Rouille Commune, Tache Grise des Feuilles, Brûlure des Feuilles, Sain
Pomme de terre : Mildiou Précoce, Mildiou Tardif, Saine
Riz : Tache Brune, Hispa, Pyriculariose, Sain
Blé : Rouille Brune, Rouille Jaune, Sain
L'ensemble de données inclut également des images capturées sous diverses conditions d'éclairage, à partir d'environnements contrôlés et non contrôlés et d'angles différents, pour simuler des scénarios agricoles du monde réel.
Nous avons utilisé des ensembles de données publiquement disponibles, ainsi que nos propres données privées.
Procédure d'Entraînement
Le modèle a été affiné en utilisant une architecture vision transformer pré-entraînée sur l'ensemble de données ImageNet. L'ensemble de données a été prétraité en redimensionnant les images et normalisant les valeurs de pixels.
Hyperparamètres d'Entraînement
Taille de lot : 32
Taux d'apprentissage : 2e-5
Époques : 4
Optimiseur : AdamW
Précision : fp16
Évaluation
Matrice de confusion
Données de Test, Facteurs et Métriques
Le modèle a été évalué en utilisant un ensemble de validation composé de 20% de l'ensemble de données original, avec les métriques suivantes :
Le modèle utilise une architecture Vision Transformer pour apprendre les représentations d'images et les classifier en catégories de maladies. Son mécanisme d'auto-attention lui permet de capturer l'information contextuelle globale dans les images, le rendant adapté à la détection de maladies agricoles.
Infrastructure de Calcul
Logiciel
Python 3.9
PyTorch 2.4.1+cu121
pytorch_lightning
Bibliothèque Transformers par Hugging Face
Citation
Si vous utilisez ce modèle dans vos recherches ou applications, veuillez le citer comme suit :
BibTeX :
@misc{cabrel2025cropdiseases,
title={Détecteur de maladies des feuilles de culture},
author={Cabrel Kepseu},
year={2025},
publisher={Hugging Face},
}
APA :
Cabrel, K. (2025). Détecteur de maladies des feuilles de culture. Hugging Face.
