cabrel09/crop_leaf_disease_detector

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)
• Licence : Apache 2.0
• Affiné à partir du modèle : (WinKawaks/vit-tiny-patch16-224)[https://huggingface.co/WinKawaks/vit-tiny-patch16-224]
• Entrée : Images de cultures (format RGB)
• 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.

Comment Commencer avec le Modèle

from PIL import Image, UnidentifiedImageError
from transformers import ViTFeatureExtractor, ViTForImageClassification
feature_extractor = ViTFeatureExtractor.from_pretrained('cabrel09/crop_leaf_diseases_detector')
model = ViTForImageClassification.from_pretrained(
    'cabrel09/crop_leaf_diseases_detector',
    ignore_mismatched_sizes=True
)
image = Image.open('<chemin_image>')
inputs = feature_extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
predicted_class_idx = logits.argmax(-1).item()
print("Classe prédite:", model.config.id2label[predicted_class_idx])

Détails d'Entraînement

Données d'Entraînement

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

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 :

• Précision : 98%
• Précision (Precision) : 97%
• Rappel : 97%
• Score F1 : 96%

Impact Environnemental

Les émissions de carbone pendant l'entraînement du modèle peuvent être estimées en utilisant le calculateur d'impact de l'apprentissage automatique.

• Type de matériel : NVIDIA L40S
• Heures utilisées : 1 heure
• Fournisseur cloud : Lightning AI

Spécifications Techniques

Architecture et Objectif du Modèle

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.

Contact de la Fiche Modèle

Pour plus d'informations, contactez : [email protected]