Характеристики

Лицензия: MIT
Опубликована: 12 июл 2026

Ссылки

maize-disease-model

Классификация изображенийИзображение → label

Классификатор EfficientNet-B0 определяет по изображению кукурузы, здорова ли она и какие из шести болезней или вредителей присутствуют.

0скачиваний за 30 дней0лайковвеса обновлены12 июл 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

Модель moro23/maize-disease-model — классификатор изображений кукурузы, разработанный как часть магистерской работы о диагностике болезней кукурузы в агроэкологических зонах с ограниченными ресурсами. Она использует EfficientNet-B0 и двухэтапное обучение с переносом знаний от ImageNet к задачам диагностики кукурузы.

Модель классифицирует изображения по семи категориям: здоровое растение, северный гельминтоспориоз, обыкновенная ржавчина, серая пятнистость, гниль початков, осенний армейский червь и стеблевой мотылёк. Для обучения использованы PlantVillage и собранные в Гане полевые изображения; в карточке сообщается точность 90,94% на тестовой выборке. Модель предназначена для первичной классификации изображений кукурузы, а не для подтверждения диагноза специалистом.

Доступные веса в формате PyTorch; лицензия MIT. Результаты могут зависеть от качества изображения и сходства условий съёмки с обучающими данными. Набор данных несбалансирован, а полевые изображения представлены выборкой из Ганы.

Сценарии применения

определение болезней кукурузных листьев по фотографии
выявление ржавчины, пятнистости и гельминтоспориоза кукурузы
проверка изображения на признаки гнили початков
распознавание повреждений кукурузы вредителями
предварительная сортировка полевых снимков кукурузы по состоянию

Ограничения

В обучающих данных выражен дисбаланс классов, а полевые изображения включают ограниченную выборку из Ганы, поэтому качество может снижаться на других сортах, регионах и условиях съёмки. Указанная точность относится к тестовой выборке и не гарантирует точность полевого диагноза.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Maize Disease & Pest Classifier — EfficientNet-B0

Part of the MSc thesis: "Application of Deep Learning for Low-Resource Maize Disease Diagnosis in Heterogeneous Agro-Ecological Zones"

Model details


Architecture	EfficientNet-B0
Training strategy	Two-phase transfer learning (ImageNet → maize diseases)
Test accuracy	90.94%
Weighted F1	0.9198 (validation)
Classes	7
Input size	224 × 224

Classes

Healthy
Northern Leaf Blight
Common Rust
Gray Leaf Spot
Ear Rot
Fall Armyworm
Stem Borer

Dataset

Combined from:

PlantVillage (4,188 images, 4 classes) — Kaggle
Ghana field images (406 images, 3 classes) — custom field-collected dataset

Total: 4,594 images | Class imbalance: 10.75:1

Usage

from huggingface_hub import hf_hub_download
import torch
from src.deployment.inference import MaizeClassifier
from PIL import Image

ckpt = hf_hub_download(repo_id="moro23/maize-disease-model",
                       filename="best_val_weighted_f1_0.919762_epoch_22.pth")
classifier = MaizeClassifier(ckpt, "configs/data_config.yaml")
image = Image.open("maize_leaf.jpg")
print(classifier.predict(image))

Deployment

Live demo: HuggingFace Spaces

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов: bece26b