फसल रोग पहचान के लिए पाइचार्ट-आधारित बेसलाइन और इमेज क्लासिफिकेशन पाइपलाइन।
स्वचालित डिवाइस स्विचिंग और एएमपी के साथ PyTorch 2.x के लिए अपग्रेड किया गया AI चैलेंजर 2018 प्रतियोगिता बेसलाइन।
यह रिपॉजिटरी उच्च-रिज़ॉल्यूशन वाली पत्ती की छवियों से पौधों की बीमारियों को वर्गीकृत करने के लिए एक संपूर्ण PyTorch पाइपलाइन प्रदान करती है। यह ResNet50 पर आधारित बेसलाइन मॉडल चाहने वाले मशीन लर्निंग प्रैक्टिशनर्स और कृषि डेटा वैज्ञानिकों के लिए उपयुक्त है।
यह संशोधित ResNet50 आर्किटेक्चर के माध्यम से 650x650 फसल छवियों को प्रोसेस करता है, स्तरीकृत डेटासेट विभाजन को संभालता है, और ऑनलाइन डेटा ऑग्मेंटेशन और वैकल्पिक ऑफलाइन प्रीप्रोसेसिंग दोनों का समर्थन करता है। पाइपलाइन में स्वचालित CPU/GPU स्विचिंग, मिक्स्ड प्रिसिजन ट्रेनिंग, और क्लास असंतुलन को संभालने के लिए एक सुधारा गया FocalLoss कार्यान्वयन शामिल है।
यह PyTorch अनुभव वाले डेवलपर्स और शोधकर्ताओं के लिए उपयुक्त है जिन्हें कृषि छवि वर्गीकरण कार्यों के लिए एक संरचित बेसलाइन की आवश्यकता है। यह रेडी-टू-यूज मोबाइल ऐप या प्लग-एंड-प्ले वेब इंटरफ़ेस चाहने वाले गैर-तकनीकी कृषि वैज्ञानिकों के लिए उपयुक्त नहीं है।
एक अनुकूली औसत पूलिंग परत और 59-क्लास क्लासिफिकेश हेड के साथ अनुकूलित एक प्रीट्रेनड ResNet50 नेटवर्क का उपयोग करता है।
स्मृति खपत को कम करने और निष्पादन को गति देने के लिए CUDA उपकरणों पर स्वचालित मिक्स्ड प्रिसिजन ट्रेनिंग का समर्थन करता है।
विसंगतिपूर्ण कक्षाओं को संभालते हुए स्तरीकृत K-fold लॉजिक का उपयोग करके ट्रेन-वैलिडेशन सेट को मर्ज और विभाजित करने के लिए स्क्रिप्ट शामिल हैं।
मानक क्रॉस-एन्ट्रॉपी को बदलने के लिए उचित प्रति-नमूना मॉड्यूलेशन के साथ एक निश्चित FocalLoss कार्यान्वयन प्रदान करता है।
इसकी open source प्रकृति के तहत मुफ्त, हालांकि README एक औपचारिक license निर्दिष्ट नहीं करता है। एकमात्र लागत इसे अपने स्वयं के hardware या क्लाउड इंस्टेंस पर स्वयं चलाना है।
879 खुले रिमोट AI-ट्रेनिंग रोल, 16 नवंबर 2026 को अपडेट; ज़्यादातर में $20–$175 प्रति घंटा। इनमें से 5 हिंदी बोलने वालों के लिए हैं। Zekai इन्हें मुफ़्त में लिस्ट करता है; आवेदन एम्प्लॉयर के प्लेटफ़ॉर्म पर जाता है।
ये समीक्षित AI टूल यही काम तुरंत करते हैं — हमारी स्कोर की गई डायरेक्टरी से।
पर्याप्त VRAM के साथ CUDA-संगत GPU की सिफारिश 650x650 छवि आकार के कारण की जाती है, हालांकि यदि कोई GPU नहीं पाया जाता है तो कोड स्वचालित रूप से CPU पर वापस आ जाता है।
तैयारी स्क्रिप्ट विशिष्ट विसंगतिपूर्ण कक्षाओं को हटाती है और इंडेक्स को शिफ्ट करती है, जबकि परीक्षण पाइपलाइन स्वचालित रूप से भविष्यवाणियों को मूल आधिकारिक पहचानकर्ताओं पर वापस मैप करती है।
Google में Zekai को सबसे पहले देखें