README.md

metadata

language:
  - vi
  - en
license: mit
tags:
  - agriculture
  - tomato
  - plant-disease
  - computer-vision
  - resnet18
  - grad-cam
  - leaf-ai
datasets:
  - wellCh4n/tomato-leaf-disease-image
metrics:
  - accuracy
pipeline_tag: image-classification

🍃 LEAF_AI — Tomato Leaf Disease ResNet-18 Model

Mô hình Deep Learning thị giác máy tính nhận diện 10 lớp bệnh & trạng thái lá cây cà chua chuẩn hóa quốc tế (theo phân loại PlantVillage & Tổ chức Lương thực và Nông nghiệp Liên Hợp Quốc - FAO). Tích hợp cơ chế giải thích quyết định thị giác Grad-CAM (Gradient-weighted Class Activation Mapping).

🎯 10 Lớp bệnh & phân loại

ID	Tên tiếng Anh	Tên tiếng Việt	Tác nhân gây bệnh
0	Healthy	Lá khỏe mạnh	Không có mầm bệnh
1	Leaf_mold	Nấm mốc lá	Passalora fulva
2	Target_spot	Đốm mắt cua	Corynespora cassiicola
3	Late_blight	Sương mai	Phytophthora infestans
4	Early_blight	Úa sớm (Đốm vòng)	Alternaria solani
5	Bacterial_spot	Đốm vi khuẩn	Xanthomonas campestris
6	Septoria_leaf_spot	Đốm lá Septoria	Septoria lycopersici
7	Tomato_mosaic_virus	Khảm lá virus (ToMV)	Tomato mosaic tobamovirus
8	Tomato_yellow_leaf_curl_virus	Xoăn vàng lá virus (TYLCV)	Begomovirus (Vector: Bọ phấn trắng)
9	Spider_mites	Nhện đỏ hai chấm	Tetranychus urticae

📊 Kết quả Huấn luyện (Training Metrics)

• Kiến trúc Backbone: ResNet-18 (Pretrained ImageNet)
• Tập dữ liệu huấn luyện: 14,218 ảnh thực tế (PlantVillage Tomato Dataset)
• Tập kiểm thử (Validation): 3,569 ảnh
• Độ chính xác kiểm thử (Validation Accuracy): >97.8%
• Độ trễ suy luận (Inference Latency): ~15ms trên CPU / ~2ms trên GPU CUDA

💻 Cách sử dụng trong PyTorch

import torch
import torchvision.models as models
import torchvision.transforms as transforms
from PIL import Image

# 1. Khởi tạo mô hình
classes = [
    "Healthy", "Leaf_mold", "Target_spot", "Late_blight", "Early_blight",
    "Bacterial_spot", "Septoria_leaf_spot", "Tomato_mosaic_virus",
    "Tomato_yellow_leaf_curl_virus", "Spider_mites"
]

checkpoint = torch.load("tomato_model.pt", map_location="cpu")
model = models.resnet18()
model.fc = torch.nn.Sequential(
    torch.nn.Dropout(p=0.3),
    torch.nn.Linear(model.fc.in_features, len(classes))
)
model.load_state_dict(checkpoint["model_state_dict"])
model.eval()

# 2. Tiền xử lý & Dự đoán
transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

img = Image.open("tomato_leaf.jpg").convert("RGB")
tensor = transform(img).unsqueeze(0)

with torch.no_grad():
    probs = torch.softmax(model(tensor), dim=1)[0]
    top_p, top_i = torch.topk(probs, 3)
    for p, idx in zip(top_p, top_i):
        print(f"{classes[idx]}: {p.item()*100:.2f}%")

🛡️ Bản quyền & Nguồn

• Dự án: LEAF_AI (Hệ sinh thái AI nông nghiệp thông minh)
• Dataset: wellCh4n/tomato-leaf-disease-image (PlantVillage)