Характеристики

Размер весов: 157 МБ
Лицензия: MIT
Опубликована: 29 авг 2026

Ссылки

crophelthh

Классификация изображенийИзображение → label3 профессии

Модель на EfficientNetB0 классифицирует изображения листьев, чтобы обнаруживать болезни и дефицит питательных веществ в системах мониторинга посевов.

96скачиваний за 30 дней0лайковвеса обновлены10 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

crophelth — модель классификации изображений листьев растений для обнаружения болезней и других проблем состояния посевов. Её разработала команда студенческого проекта AI Smart Crop Health Monitoring Robot в Sri Lanka Institute of Information Technology (SLIIT); для извлечения признаков и классификации используется EfficientNetB0. Модель обучалась и дообучалась на собственных сельскохозяйственных наборах данных hansaka01/crophelth и hansaka01/crophelth_finetune_2nd_stage.

Модель предназначена для распознавания таких классов, как пятнистость листьев, мучнистая роса, ржавчина, фитофтороз, жёлтая мозаика и дефицит питательных веществ. Её можно использовать в системах мониторинга сельскохозяйственных культур, включая роботизированные устройства и серверную обработку изображений. В репозитории представлены модели TensorFlow и TFLite; проект ориентирован, среди прочего, на развёртывание на ESP32-S3. Лицензия — MIT.

Качество классификации зависит от соответствия входных изображений обучающим данным. README не приводит метрики качества и не описывает ограничения по культурам, условиям съёмки или разрешению изображений.

Сценарии применения

распознавание болезней по фотографиям листьев
выявление пятнистости, мучнистой росы, ржавчины и фитофтороза
определение жёлтой мозаики и дефицита питательных веществ
классификация состояния растений на сельскохозяйственном роботе
серверная классификация изображений посевов

Ограничения

README не приводит метрики точности или сведения о проверке на разных культурах и условиях съёмки; классификатор ограничен перечисленными типами болезней и проблем растений.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AI Smart Crop Health Monitoring Robot - Model Card

Project Overview

This repository contains machine learning models trained for the AI Smart Crop Health Monitoring Robot, developed as a 1st-year Semester 1 mini IoT project for the Fundamentals of Computing (IT1140 / IT1040) module at the Sri Lanka Institute of Information Technology (SLIIT).

The autonomous robotic system is designed to monitor crop health, collect environmental and soil data, and detect plant diseases using advanced computer vision to support precision agriculture.

Project Team (Group 01 - Kurunegala)

IT26101404 - P.G. Hansaka Rasanjana
IT26101824 - T.D. Avishka Dewinda
IT26101774 - P.G. Amalka Sandanayani
IT26102072 - N.D. Maddumage
IT26100283 - M.K.M. Raamy Khaleel

Model Details

Base Backbone: EfficientNetB0 (used for feature extraction and image classification)
Task: Plant Leaf Disease Detection and Classification
Target Classes: Identifies common crop issues such as leaf spot, powdery mildew, rust, blight, yellow mosaic, and nutrient deficiencies.
Frameworks: Python, TensorFlow / Keras, OpenCV
Hardware Target: ESP32-S3 N16R8 Microcontroller deployment / Server-side inference

Datasets

The models in this repository were trained and fine-tuned using custom agricultural datasets hosted on Hugging Face:

hansaka01/crophelth - Primary training dataset.
hansaka01/crophelth_finetune_2nd_stage - Second-stage fine-tuning dataset for enhanced model accuracy.

System Architecture Highlights

Perception & Hardware Layer: Powered by an ESP32-S3 microcontroller, 4WD robotic chassis, AI Camera, soil moisture, temperature/humidity (DHT22), rain, and obstacle detection sensors.
Communication Layer: Real-time telemetry via WebSockets (Socket.io) and HTTP REST APIs over Wi-Fi.
Backend Processing: Node.js and TypeScript server handling telemetry rules and automated alerts.
Client Layer: React / Vite web dashboard and mobile interface for remote tracking.

Usage

These model weights can be utilized in Python environments for plant disease image classification tasks or integrated into your project pipeline.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Keras/TensorFlow-модели рантайм не загружает.

Ревизия весов: 3f55da6