项目说明
从一张照片，
到持续的巡查。
检测提供线索。现场记录，让下一次观察有据可查。
支持范围与验证状态
能力说清楚，
结果才可核实。
当前是计算机视觉应用原型，没有经过农户现场试验或第三方诊断认证。
现有模型能做什么
叶片类别识别
使用现有 EfficientViM 权重，输出训练类别内的结果。
叶片模型输出 158 个索引，页面使用项目预设名称表，其中有重复显示名称。当前权重没有保存原训练类别顺序表。
类别表核对前，病名输出仅用于软件流程展示，由农技人员结合实景确认；不能据此报告诊断准确率。
果实定位与计数
使用 RISNet 相关实现观察画面中的目标分布。
果实专用检测
按果实选择现有 YOLO 权重；六个权重均为单类别，输出目标框和数量，不能判断多个成熟阶段。
视频分析和服务器摄像头保留在检测页的扩展功能中；手机拍照使用独立照片入口。
模型训练与在线服务条件
YOLO 轻量微调
提交规范的数据集 ZIP 后，后台执行训练并保存实际生成的权重、指标和结果图。可选模型、数据规模与轮数以训练页显示为准。
独立的在线咨询
需正确配置服务地址、密钥、可用模型和有效服务额度。服务失败时会保留输入并说明原因。
检测记录保存模型输出；咨询建议由独立服务生成。
科研与毕业展示怎么演示
- 选择任务，说明使用的模型和支持范围。
- 上传代表性样本，检查输出是否与输入对应。
- 打开记录，补充现场并保存一条复查，展示实际留存的信息。
- 进入病害咨询，说明现场描述如何补充图像。
- 按需要展示数据集、模型训练与实验条件。
正式应用前，还需要验证什么
模型分数不等于田间诊断准确率；实验室图像表现不能直接代表不同光照、品种和地区的表现。
需要用农技人员确认的真实样本测试，记录误识别、未识别与农户操作困难。图片异常可能存在相似原因，最终防治应结合当地农技指导。