Des outils IA notés pour votre métier
Missions IA payées
🤝 Vous êtes dans la bibliothèque Libre & Open Source — des outils communautaires utilisables sans payer. Un concept différent de notre annuaire IA noté.
Accueil › Libre & Open Source › Agriculture › Plants Disease Detection
✦ Libre & open sourceAgriculture

Plants Disease Detection

Pipeline de base et de classification d'images basé sur PyTorch pour la détection des maladies des cultures.

Détection des maladies des cultures sous PyTorch

Base de référence du concours AI Challenger 2018 mise à jour pour PyTorch 2.x avec basculement automatique des appareils et AMP.

Gratuit pour toujours · source-available · Licence not stated in the repository
✓ Light setup✓ Dans le navigateur✓ Collaboration en temps réel
6.1
ZEKAI
Solide base de référence pour les maladies des cultures
Libre & open source · Agriculture
Facilité d'installation4
Utilité7
Maintenance8.5
Communauté5
★ 342
GITHUB
Aug 2026
MIS À JOUR
Licence not stated in the repository
LICENCE
🛠 Pas envie de l'héberger vous-même ? Nous pouvons l'installer →
⚡ Réponse rapide

Ce dépôt fournit un pipeline PyTorch complet pour classifier les maladies des plantes à partir d'images de feuilles à haute résolution. Il s'adresse aux praticiens du machine learning et aux data scientists agricoles recherchant un modèle de base construit sur ResNet50.

Fonctionne sur
Cross-platform
Hébergement
Self-host
Langues
Python
Licence
Licence not stated in the repository

Qu'est-ce que c'est

Il traite des images de cultures de 650x650 via une architecture ResNet50 modifiée, gère la division stratifiée des ensembles de données et prend en charge à la fois les augmentations de données en ligne et le prétraitement hors ligne optionnel. Le pipeline comprend la commutation automatique CPU/GPU, l'entraînement en précision mixte et une implémentation corrigée de FocalLoss pour traiter les déséquilibres de classes.

Pour qui

Il convient aux développeurs et chercheurs ayant une expérience de PyTorch qui ont besoin d'une base structurée pour les tâches de classification d'images agricoles. Il ne convient pas aux agronomes non techniques cherchant une application mobile prête à l'emploi ou une interface Web prête à l'emploi.

Fonctionnalités clés

Classification ResNet50

Utilise un réseau ResNet50 pré-entraîné adapté avec une couche de pooling moyen adaptatif et une tête de classification à 59 classes.

AMP en précision mixte

Prend en charge l'entraînement automatique en précision mixte sur les appareils CUDA pour réduire la consommation de mémoire et accélérer l'exécution.

Préparation de données stratifiées

Comprend des scripts pour fusionner et diviser les ensembles d'entraînement et de validation en utilisant une logique de K-fold stratifié tout en gérant les classes anomales.

Focal Loss corrigée

Fournit une implémentation corrigée de FocalLoss avec une modulation appropriée par échantillon pour remplacer l'entropie croisée standard.

Comment démarrer

Opérationnel en 3 étapes

1
Clonez le dépôt et installez les dépendances à l'aide de pip install -r requirements.txt.
2
Téléchargez le jeu de données et organisez les images dans des répertoires à l'aide du script move.py fourni.
3
Exécutez python main.py pour lancer l'entraînement, l'évaluation et l'inférence de l'ensemble de test.
Franchement

Notre verdict honnête

Ses atouts

  • Modernisé pour PyTorch 2.x avec basculement automatique CPU et GPU.
  • Comprend des scripts de prétraitement et de mappage d'étiquettes adaptés au jeu de données AI Challenger.
  • Augmentations de données en ligne configurables incluant rotation aléatoire, inversions et transformations affines.
  • Génère des fichiers de soumission JSON standard correspondant aux formats d'évaluation des concours.

Ses limites

  • Nécessite le téléchargement manuel d'archives de jeux de données Baidu Netdisk externes.
  • De grandes entrées d'images de 650x650 exigent une mémoire GPU importante pendant l'entraînement.
  • Nécessite l'écriture et la modification de fichiers de configuration en Python pour ajuster les hyper-paramètres.
Coût

Tarifs & licence

Gratuit en raison de sa nature open source, bien que le README ne spécifie pas de licence formelle. Le seul coût est de l'exécuter vous-même sur votre propre matériel ou instance cloud.

Travail rémunéré

Missions pour francophones

880 missions ouvertes à distance en entraînement d’IA, mises à jour le 15 novembre 2026 ; la plupart paient $20–$175 de l’heure. 8 d’entre elles demandent des francophones. Zekai les liste gratuitement ; la candidature se fait sur la plateforme de l’employeur.

Voir tous les postes ouverts →
Comparer

Alternatives

🎁 Alternatives libres & open source

Ces outils IA évalués font le même travail instantanément — depuis notre annuaire noté.

Pour aller plus loin

Utilisez-le, ou laissez-nous l'installer

📄 PDF gratuit : Plants Disease Detection pour Agriculture
Un guide simple pour obtenir votre premier résultat. Envoyé dans votre boîte mail.
🔔 64 personnes veulent un tutoriel vidéo complet — ajoutez votre vote
🛠 Pas envie de l'installer vous-même ?
Nous installons, hébergeons et configurons Plants Disease Detection pour vous — et formons votre équipe.
Confiez-nous l'installation ↗
Questions

FAQ

Quel matériel ai-je besoin pour exécuter cet outil ?

Un GPU compatible CUDA avec une VRAM suffisante est recommandé en raison de la taille d'image de 650x650, bien que le code bascule automatiquement sur le CPU si aucun GPU n'est détecté.

Comment les indices des étiquettes de classes sont-ils gérés ?

Le script de préparation supprime des classes anomales spécifiques et décale les indices, tandis que le pipeline de test mappe automatiquement les prédictions vers les identifiants officiels d'origine.

Radar

Dernières actus IA

✉️ La boîte à outils gratuite hebdo
Les meilleurs nouveaux outils libres & open source pour Agriculture — un court e-mail par semaine, dans votre langue.
Gratuit · 1 e-mail/semaine · désabonnement à tout moment
Soyez payé pour entraîner l’IA →

Voir Zekai en premier dans Google