Applicazioni pratiche di deep learning/Riconoscimento malattie ortaggi: differenze tra le versioni

Contenuto cancellato Contenuto aggiunto
Nessun oggetto della modifica
Nessun oggetto della modifica
Riga 1:
{{Applicazioni pratiche di deep learning}}
Il modello swin-tiny-patch4-window7-224-finetuned-plantdisease che si trova su Hagging Face qui : https://huggingface.co/gianlab/swin-tiny-patch4-window7-224-finetuned-plantdisease è stato ottenuto addestrandolo in 3 ore su Google Colab dopo avere importato le foto delle foglie malate degli ortaggi da qui : https://www.kaggle.com/datasets/emmarex/plantdisease e utilizzando il tutorial per la classificazione delle immagini qui : https://colab.research.google.com/github/huggingface/notebooks/blob/main/examples/image_classification.ipynb . Il modello è in grado di predire le malattia di pomodori, peperoni e patate con un'accuratezza del 96,90% . Le possibili malattie classificate sono in inglese: Virus dell'arricciatura fogliare gialla del pomodoro, Peronospora del pomodoro, Peronospora del peperone, Macchia batterica del peperone, Peronospora del pomodoro, Patata sana, Pomodoro sano, Macchia del pomodoro, Peronospora precoce della patata, Virus del mosaico del pomodoro del pomodoro, Campana del peperone sana, Patata tardiva peronospora, macchia fogliare di pomodoro Septoria , muffa fogliare di pomodoro , acari del ragno del pomodoro Due acari maculati , macchia batterica del pomodoro .
 
Ci sono 3 possibilità per utilizzarlo valutando se un ortaggio è malato oppure no :
Riga 59:
image
</syntaxhighlight>
 
==Link esterni==
*[https://colab.research.google.com/drive/1bMkXnAvAqjX3J2YJ8wXTNw2Z2pt5KCjy?usp=sharing Esempio di notebook Colab per la classificazione delle immagini]
 
{{avanzamento|75%|29 giugno 2022}}