PyTorch-basierte Baseline und Bildklassifizierungspipeline zur Erkennung von Pflanzenkrankheiten.
Die Baseline des AI Challenger 2018 Wettbewerbs wurde für PyTorch 2.x aktualisiert – mit automatischem Gerätewechsel und AMP.
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.
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.
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.
Verwendet ein vortrainiertes ResNet50-Netzwerk, das mit einer adaptiven Average-Pooling-Schicht und einem Klassifizierungskopf für 59 Klassen angepasst wurde.
Unterstützt automatisches Training mit gemischter Präzision auf CUDA-Geräten, um den Speicherverbrauch zu reduzieren und die Ausführung zu beschleunigen.
Enthält Skripte zum Zusammenführen und Aufteilen von Trainings- und Validierungssets mittels stratifizierter K-Fold-Logik bei gleichzeitiger Behandlung anomaler Klassen.
Bietet eine korrigierte FocalLoss-Implementierung mit ordnungsgemäßer Modulation pro Stichprobe als Ersatz für die Standard-Cross-Entropy.
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.
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.
Diese bewerteten KI-Tools erledigen die Aufgabe sofort — aus unserem bewerteten Verzeichnis.
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.
Das Vorbereitungsskript entfernt bestimmte anomale Klassen und verschiebt Indizes, während die Test-Pipeline Vorhersagen automatisch auf die ursprünglichen offiziellen Kennungen abbildet.
Zekai zuerst in Google sehen