Pipeline de linha de base e classificação de imagens baseado em PyTorch para detecção de doenças em culturas.
Linha de base da competição AI Challenger 2018 atualizada para PyTorch 2.x com alternância automática de dispositivo e AMP.
Este repositório fornece um pipeline completo em PyTorch para classificar doenças de plantas a partir de imagens de folhas de alta resolução. É adequado para praticantes de aprendizado de máquina e cientistas de dados agrícolas que buscam um modelo de linha de base construído em ResNet50.
Ele processa imagens de culturas de 650x650 através de uma arquitetura ResNet50 modificada, gerencia a divisão estratificada de conjuntos de dados e suporta aumentos de dados online e pré-processamento offline opcional. O pipeline apresenta alternância automática entre CPU/GPU, treinamento de precisão mista e uma implementação corrigida de FocalLoss para lidar com desequilíbrios de classes.
É adequado para desenvolvedores e pesquisadores com experiência em PyTorch que precisam de uma linha de base estruturada para tarefas de classificação de imagens agrícolas. Não é adequado para agrónomos não técnicos que procuram um aplicativo móvel pronto a usar ou interface web plug-and-play.
Usa uma rede ResNet50 pré-treinada adaptada com uma camada de pooling médio adaptativo e um cabeçote de classificação de 59 classes.
Suporta treinamento de precisão mista automática em dispositivos CUDA para reduzir o consumo de memória e acelerar a execução.
Inclui scripts para mesclar e dividir conjuntos de treino-validação usando lógica K-fold estratificada enquanto lida com classes anômalas.
Fornece uma implementação fixa de FocalLoss com modulação adequada por amostra para substituir a entropia cruzada padrão.
Gratuito devido à sua natureza open source, embora o README não especifique uma licença formal. O único custo é executá-lo você mesmo no seu próprio hardware ou instância em nuvem.
879 vagas remotas abertas de treinamento de IA, atualizadas em 16 de novembro de 2026; a maioria paga $20–$175 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Estas ferramentas de IA avaliadas fazem o mesmo trabalho na hora — do nosso diretório avaliado.
Recomenda-se uma GPU compatível com CUDA com VRAM suficiente devido ao tamanho de imagem de 650x650, embora o código reverta automaticamente para a CPU se nenhuma GPU for detectada.
O script de preparação remove classes anômalas específicas e desloca índices, enquanto o pipeline de teste mapeia automaticamente as previsões de volta para os identificadores oficiais originais.
Veja o Zekai primeiro no Google