Pipeline de base et de classification d'images basé sur PyTorch pour la détection des maladies des cultures.
Base de référence du concours AI Challenger 2018 mise à jour pour PyTorch 2.x avec basculement automatique des appareils et AMP.
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.
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.
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.
Utilise un réseau ResNet50 pré-entraîné adapté avec une couche de pooling moyen adaptatif et une tête de classification à 59 classes.
Prend en charge l'entraînement automatique en précision mixte sur les appareils CUDA pour réduire la consommation de mémoire et accélérer l'exécution.
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.
Fournit une implémentation corrigée de FocalLoss avec une modulation appropriée par échantillon pour remplacer l'entropie croisée standard.
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.
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.
Ces outils IA évalués font le même travail instantanément — depuis notre annuaire noté.
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.
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.
Voir Zekai en premier dans Google