Bu proje, yapay zeka tabanlı bitki hastalıkları sınıflandırması yapmayı amaçlamaktadır. Hepimizin hobi amaçlı küçük bahçelerde tarım girişimlerimiz bulunmaktadır. Bu girişimlerimizde başarıya ulaşmak adına hobi çiftçilerine yardımcı olmak amaçlanmıştır. Kullanılan veri seti üç sınıfa ayrılmıştır:
- Healthy (sağlıklı yapraklar)
- Powdery (külleme hastalığı)
- Rust (pas hastalığı)
Amaç, yaprak görüntülerini doğru şekilde sınıflandırarak tarımda erken teşhis ederek hastalıkların yayılmasını önlemek, ürün verimliliğini artırmaktır.
- Kaynak: Kaggle Plant Disease Recognition Dataset
- Eğitim seti: 1322 görüntü
- Doğrulama seti: 60 görüntü
- Test seti: 150 görüntü
- Toplam sınıf sayısı: 3
- Transfer Learning: VGG16 tabanlı model
- İlk Aşama: Sadece dense katmanlar eğitildi
- İkinci Aşama (Fine-Tuning): VGG16’nın son (Block5) katmanları açılarak tekrar eğitildi
- Veri Ön İşleme:
- Görseller 128x128 piksel boyutuna getirildi
- Data Augmentation (rotation, shift, zoom, flip)
- Eğitim doğruluğu (fine-tuning sonrası): %91.1
- Doğrulama doğruluğu: %88.3
- Test doğruluğu: %86
| Class | Precision | Recall | F1-score |
|---|---|---|---|
| Healthy | 0.78 | 1.00 | 0.88 |
| Powdery | 0.91 | 0.84 | 0.87 |
| Rust | 0.93 | 0.74 | 0.82 |
| Avg | 0.87 | 0.86 | 0.86 |
- Accuracy eğrisi eğitim ilerledikçe artarak %91’e ulaştı.
- Validation accuracy, ilk başta %56 iken fine-tuning sonrası %88.3 seviyesine çıktı.
- Loss eğrileri düşüş göstererek stabil hale geldi (final val_loss ≈ 0.37).
- Confusion Matrix sonuçları sınıflar arasında dengeli bir başarı gösterdi.
- Daha büyük ve dengeli veri setleri ile eğitim
- Farklı transfer learning modellerinin (ResNet, EfficientNet) denenmesi
- Hiperparametre optimizasyonu
- Mobil uygulamaya entegrasyon
https://www.kaggle.com/code/fakkor/bitkiler
Bu proje [Fatih Akkor] tarafından hazırlanmıştır.