基于卷积神经网络的苹果树叶片病害检测源码+部署教程文档+全部数据+训练好的模型（高分项目）.zip

# Identify-the-category-of-foliar-diseases-in-apple-trees <p align="center"> <a href="./README_en.md">English</a> | <a href="./README.md">简体中文</a> </p> 本项目探讨了Kaggle举办的FGVC8(CVPR2021-workshop)Plant Pathology-2021数据集 分类任务。 通过将标签进行独热编码转化为多标签分类问题，我们研究了两种卷积神经网络模型来解决本分类任务。 我们分析了Plant Pathology-2021数据集的样本细节，并详细介绍了LeNet模型与Vision Transformer模型的构建、训练与优化过程以及它们在Plant Pathology-2021分类任务上不同的性能差距。 我们还讨论了ArcFaceLoss与CrossEntropyLoss在本任务上的效果对比，以及对比数据集裁剪的效果。 _详情请见<a href="./template_Article.pdf">论文</a>_ ## 特性 - **使用LeNet模型**: 可以达到65%准确率。 - **使用VIT模型**: 可达到60%准确率。 - **对比了ArcFaceLoss与CrossEntropyLoss的效果**: 详情请见<a href="./template_Article.pdf">论文</a>。 ## 安装 要运行此项目，您需要安装 Python 3.8 或更高版本。首先克隆此仓库： ```bash git clone https://github.com/LinYujupiter/Identify-the-category-of-foliar-diseases-in-apple-trees.git cd Identify-the-category-of-foliar-diseases-in-apple-trees ``` ## 环境配置 ### 使用 Conda 如果您使用 Conda，可以按照以下步骤设置和激活虚拟环境： 1. **创建虚拟环境**： ```bash conda create -n Identify-the-category-of-foliar-diseases-in-apple-trees python=3.8 ``` 2. **激活虚拟环境**： ```bash conda activate Identify-the-category-of-foliar-diseases-in-apple-trees ``` 3. **安装依赖**： 在激活的虚拟环境中，运行： ```bash pip install -r requirements.txt ``` ### 不使用 Conda 如果您不使用 Conda，可以直接使用 pip 安装依赖： ```bash pip install -r requirements.txt ``` ## 运行 在安装了所有依赖之后，您可以通过以下命令启动VIT模型训练： ```bash cd VIT python3 main_train.py ``` 您可以通过以下命令启动LeNet模型训练： ```bash cd LeNet python3 main_train.py ``` ## 使用 训练完成后，您可以通过以下命令启动测试： ```bash python3 main_test.py ``` ## 开发 - **pytorch**: 用于训练VIT模型。 - **tensorflow**: 用于训练LeNet模型。 ## 贡献 我们欢迎任何形式的贡献，无论是新功能的提议、代码改进还是问题报告。请确保遵循最佳实践和代码风格指南。