ระบบตรวจจับโรคพืชด้วย AI#

ระบบทำอะไรได้บ้าง#

• ตรวจจับโรคพืชจากรูปใบไม้ได้แบบ Real-time ครับ
• รองรับพืช 3 ชนิด คือ ถั่ว สตรอเบอรี่ และมะเขือเทศ
• ตรวจจับได้ 12 โรค ด้วยกันครับ
• ความแม่นยำสูงถึง 91.67% (mAP50) เลยครับ
• ใช้งานง่าย แค่โหลดโมเดลแล้วส่งรูปเข้ามาก็ได้ผลทันทีครับ

ประสิทธิภาพของโมเดล#

1
Model       : YOLOv26n
2
Dataset     : 5,493 รูป
3
Epochs      : 100
4
Image Size  : 640×640px
5
mAP50       : 91.67%

ผมเลือกใช้ YOLOv26n (Nano) เพราะมันเล็กและเร็วมากครับ เหมาะกับการใช้งานบนอุปกรณ์ที่ทรัพยากรจำกัด ถ้าอยากได้ความแม่นยำมากขึ้นก็ลองเปลี่ยนไปใช้ขนาดที่ใหญ่กว่าได้ครับ เช่น YOLOv26s หรือ YOLOv26m

โรคที่รองรับ (12 ชนิด)#

เทคโนโลยีที่ใช้#

สิ่งที่ต้องมีก่อนเริ่ม#

ต้องมี Python 3.8 ขึ้นไปครับ แล้วก็ต้องติดตั้ง ultralytics ด้วยนะครับ ถ้ามี GPU ก็ยิ่งดีเลยครับ จะประมวลผลได้เร็วขึ้นมาก

วิธีเริ่มใช้งาน#

1
pip install ultralytics

1
python main.py

ตัวอย่างการเรียกใช้ผ่านโค้ด#

ถ้าอยากเรียกใช้โมเดลผ่านโค้ด Python โดยตรง ก็ทำได้ง่ายมากเลยครับ

1
from ultralytics import YOLO
2

3
# โหลดโมเดลที่ฝึกไว้ครับ
4
model = YOLO("runs/detect/train/weights/best.pt")
5

6
# ตรวจจับโรคพืชจากรูป
7
results = model.predict("leaf_photo.jpg", conf=0.5)
8

9
# แสดงผลลัพธ์ครับ
10
results[0].show()

1
from ultralytics import YOLO
2
import cv2
3

4
model = YOLO("runs/detect/train/weights/best.pt")
5
cap = cv2.VideoCapture(0)
6

7
while True:
8
    ret, frame = cap.read()
9
    if not ret:
10
        break
11

12
    results = model.predict(frame, conf=0.5, verbose=False)
13
    annotated_frame = results[0].plot()
14

15
    cv2.imshow("Plant Disease Detection", annotated_frame)
16

17
    if cv2.waitKey(1) & 0xFF == ord('q'):
18
        break
19

20
cap.release()
21
cv2.destroyAllWindows()

1
from ultralytics import YOLO
2

3
model = YOLO("runs/detect/train/weights/best.pt")
4

5
# ตรวจจับรูปทั้งโฟลเดอร์ครับ
6
results = model.predict(
7
    source="test_images/",
8
    conf=0.5,
9
    save=True
10
)
11

12
# ดูผลลัพธ์ของแต่ละรูป
13
for result in results:
14
    boxes = result.boxes
15
    for box in boxes:
16
        cls = int(box.cls[0])
17
        conf = float(box.conf[0])
18
        class_name = model.names[cls]
19
        print(f"พบ: {class_name} ความมั่นใจ: {conf:.2%}")

ข้อมูลเกี่ยวกับ Dataset#

ข้อมูลภาพมาจาก Roboflow Universe ครับ ซึ่งเป็นแพลตฟอร์มที่รวม Dataset สำหรับ Computer Vision ไว้เยอะมาก ถ้าสนใจฝึกโมเดลด้วย Dataset อื่นก็ไปดูได้เลยครับ

สิ่งที่ได้เรียนรู้#

โปรเจกต์นี้ทำให้ผมได้เรียนรู้หลายอย่างเลยครับ

• การ ฝึก YOLO ด้วย Custom Dataset ตั้งแต่เตรียมข้อมูลจนถึงได้โมเดลออกมา
• การ ปรับ Hyperparameters เพื่อให้โมเดลมีความแม่นยำสูงขึ้น
• การ ประยุกต์ใช้ AI กับการเกษตร เพื่อแก้ปัญหาในชีวิตจริง
• การใช้ Roboflow สำหรับจัดการ Dataset และ Annotation ครับ
• เข้าใจเรื่อง mAP, Precision, Recall ในงาน Object Detection มากยิ่งขึ้น

ลิงก์โปรเจกต์#

• 📦 GitHub Repository

ขอบคุณ#

• Roboflow Universe สำหรับ Dataset ที่ดีมากครับ
• Ultralytics สำหรับ Framework YOLO ที่ใช้งานง่ายสุดๆ ครับ

License#

โปรเจกต์นี้เป็น Open Source ครับ นำไปศึกษาและต่อยอดได้ตามสบายเลย

หากมีคำถามหรือข้อเสนอแนะ สามารถเปิด Issue ได้เลยนะครับ ขอบคุณที่สนใจครับ 🙏