KI-Tools, bewertet für deinen Beruf
Bezahlte KI-Jobs
🤝 Du bist in der Frei-&-Open-Source-Bibliothek — von der Community entwickelte Tools, die du kostenlos nutzen kannst. Ein anderes Konzept als unser bewertetes KI-Verzeichnis.
Start › Frei & Open Source › Landwirtschaft › Plants Disease Detection
✦ Frei & Open SourceLandwirtschaft

Plants Disease Detection

PyTorch-basierte Baseline und Bildklassifizierungspipeline zur Erkennung von Pflanzenkrankheiten.

Pflanzenkrankheitserkennung in PyTorch

Die Baseline des AI Challenger 2018 Wettbewerbs wurde für PyTorch 2.x aktualisiert – mit automatischem Gerätewechsel und AMP.

Für immer kostenlos · quelloffen einsehbar · Licence not stated in the repository
✓ Light setup✓ Im Browser✓ Echtzeit-Zusammenarbeit
6.1
ZEKAI
Solide Baseline für Pflanzenkrankheiten
Frei & Open Source · Landwirtschaft
Einfache Einrichtung4
Nützlichkeit7
Wartung8.5
Community5
★ 342
GITHUB
Aug 2026
AKTUALISIERT
Licence not stated in the repository
LIZENZ
🛠 Keine Lust auf Self-Hosting? Wir richten es ein →
⚡ Schnelle Antwort

Dieses Repository bietet eine vollständige PyTorch-Pipeline zur Klassifizierung von Pflanzenkrankheiten anhand hochauflösender Blatbilder. Es eignet sich für Praktiker des maschinellen Lernens und Datenwissenschaftler im Agrarbereich, die eine auf ResNet50 basierende Baseline-Modell suchen.

Läuft auf
Cross-platform
Hosting
Self-host
Sprachen
Python
Lizenz
Licence not stated in the repository

Was es ist

Es verarbeitet 650x650 Erntebilder über eine modifizierte ResNet50-Architektur, übernimmt die geschichtete Datensatzaufteilung und unterstützt sowohl Online-Datenaugmentierungen als auch optionales Offline-Preprocessing. Die Pipeline bietet automatisches CPU/GPU-Umschalten, Training mit gemischter Präzision und eine korrigierte FocalLoss-Implementierung zur Bewältigung von Klassenunbalancen.

Für wen

Es richtet sich an Entwickler und Forscher mit PyTorch-Erfahrung, die eine strukturierte Baseline für Aufgaben der landwirtschaftlichen Bildklassifizierung benötigen. Es ist nicht geeignet für nicht-technische Agronomen, die eine gebrauchsfertige Mobil-App oder eine Plug-and-Play-Webschnittstelle suchen.

Wichtige Funktionen

ResNet50-Klassifizierung

Verwendet ein vortrainiertes ResNet50-Netzwerk, das mit einer adaptiven Average-Pooling-Schicht und einem Klassifizierungskopf für 59 Klassen angepasst wurde.

Mixed Precision AMP

Unterstützt automatisches Training mit gemischter Präzision auf CUDA-Geräten, um den Speicherverbrauch zu reduzieren und die Ausführung zu beschleunigen.

Stratifizierte Datenaufbereitung

Enthält Skripte zum Zusammenführen und Aufteilen von Trainings- und Validierungssets mittels stratifizierter K-Fold-Logik bei gleichzeitiger Behandlung anomaler Klassen.

Korrigierter Focal Loss

Bietet eine korrigierte FocalLoss-Implementierung mit ordnungsgemäßer Modulation pro Stichprobe als Ersatz für die Standard-Cross-Entropy.

Erste Schritte

Startklar in 3 Schritten

1
Klonen Sie das Repository und installieren Sie Abhängigkeiten mit pip install -r requirements.txt.
2
Laden Sie den Datensatz herunter und organisieren Sie Bilder mithilfe des bereitgestellten move.py-Skripts in Verzeichnissen.
3
Führen Sie python main.py aus, um Training, Evaluierung und Testset-Inferenz zu starten.
Klartext

Unser ehrliches Fazit

Stärken

  • Modernisiert für PyTorch 2.x mit automatischer CPU- und GPU-Ausweichlösung.
  • Enthält Vorverarbeitungs- und Label-Mapping-Skripte, die auf den AI Challenger-Datensatz zugeschnitten sind.
  • Konfigurierbare Online-Datenaugmentierungen einschließlich zufälliger Rotation, Spiegelungen und affiner Transformationen.
  • Gibt standardmäßige JSON-Einreichungsdateien aus, die den Wettbewerbsbewertungsformaten entsprechen.

Schwächen

  • Erfordert das manuelle Herunterladen externer Baidu-Netdisk-Datensatzarchive.
  • Große Bildinputs von 650x650 erfordern während des Trainings erheblichen GPU-Speicher.
  • Erfordert das Schreiben und Modifizieren von Konfigurationsdateien in Python, um Hyperparameter anzupassen.
Kosten

Preise & Lizenz

Kostenlos aufgrund seines Open-Source-Charakters, obwohl die README keine formelle Lizenz angibt. Die einzigen Kosten entstehen durch den Eigenbetrieb auf eigener Hardware oder einer Cloud-Instanz.

Bezahlte Arbeit

Stellen für Deutschsprachige

879 offene Remote-Stellen im KI-Training, aktualisiert am 15. November 2026; die meisten zahlen $20–$175 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.

Alle offenen Stellen ansehen →
Vergleich

Alternativen

🎁 Freie & Open-Source-Alternativen

Diese bewerteten KI-Tools erledigen die Aufgabe sofort — aus unserem bewerteten Verzeichnis.

Mehr

Nutze es, oder lass es uns einrichten

📄 Kostenloses PDF: Plants Disease Detection für Landwirtschaft
Ein verständlicher Leitfaden für dein erstes Ergebnis. Direkt in dein Postfach.
🔔 64 Personen wünschen sich ein komplettes Video-Tutorial — stimme ab
🛠 Keine Lust auf eigene Einrichtung?
Wir installieren, hosten & konfigurieren Plants Disease Detection für dich — und schulen dein Team.
Erledigen lassen ↗
Fragen

FAQ

Welche Hardware benötige ich, um dieses Tool auszuführen?

Eine CUDA-kompatible GPU mit ausreichend VRAM wird aufgrund der Bildgröße von 650x650 empfohlen, obwohl der Code automatisch auf die CPU zurückfällt, wenn keine GPU erkannt wird.

Wie werden Klassen-Label-Indizes gehandhabt?

Das Vorbereitungsskript entfernt bestimmte anomale Klassen und verschiebt Indizes, während die Test-Pipeline Vorhersagen automatisch auf die ursprünglichen offiziellen Kennungen abbildet.

Radar

Neueste KI-News

✉️ Das wöchentliche kostenlose Toolkit
Die besten neuen freien & Open-Source-Tools für Landwirtschaft — eine kurze E-Mail pro Woche, in deiner Sprache.
Kostenlos · 1 E-Mail/Woche · jederzeit abbestellbar
Mit KI-Training Geld verdienen →

Zekai zuerst in Google sehen