Улучшение работы моделей и эффективности данных в сельскохозяйственном компьютерном зрении

Глубокое обучение успешно применяется в компьютерном зрении, но модели, предобученные на общих наборах данных, часто плохо подходят для сельскохозяйственных задач. Это приводит к увеличению времени обучения, затрат ресурсов и снижению производительности.

Исследователи представили новый фреймворк для сельскохозяйственного глубокого обучения, опубликованный в Plant Phenomics. Они стандартизировали множество публичных наборов данных для трех различных задач и создали на их основе эталонные тесты (бенчмарки) и предобученные модели.

Ключевые результаты:

• Предобученные веса для сельского хозяйства для задачи обнаружения объектов значительно превзошли стандартные базовые модели, обеспечив более быструю сходимость и высокую точность, особенно для некоторых фруктов.
• В семантической сегментации модели с сельскохозяйственными предобученными "остовами" (backbones) также превзошли модели с общими "остовами".
• Аугментация данных: Пространственные аугментации (например, повороты, сдвиги) показали лучшие результаты, чем визуальные (изменение цвета), что может улучшить обобщаемость модели.
• Качество аннотаций: Модели могут хорошо работать даже с аннотациями более низкого качества, что открывает возможности для использования более широкого спектра данных.

Ресурсы, включая стандартизированные наборы данных, бенчмарки и модели, стали общедоступны через AgML (github.com/Project-AgML/AgML).

Исследование демонстрирует, что даже небольшие изменения в процессе обучения — использование специализированных предобученных моделей и правильных методов аугментации — могут значительно повысить эффективность глубокого обучения для сельскохозяйственных задач.