Consulta 1 — Mejor modelo para visión agrícola
A
AgroSense Labs
Necesitamos el mejor modelo para clasificar enfermedades en hojas de almendros y naranjos, con ~30 clases. Imágenes de drones, 640×640px. ¿Qué está de moda y qué tiene más descargas?
model_search
MCP Tool Call
↩ 340ms
task="image-classification",
query="plant disease leaf detection agriculture",
sort="trendingScore",
limit=8
→ model_search(author="microsoft", task="image-classification", sort="downloads")
→ model_search(author="microsoft", task="image-classification", sort="downloads")
microsoft/swinv2-large-patch4-window12-192-22k
2.4M/mes
1.2K likes
google/efficientnet-b4
890K/mes
756 likes
linkanjarad/mobilenet-v2-plant-disease
410K/mes
98.2% acc
facebook/dinov2-large
1.1M/mes
2.1K likes
🤗
Asistente CULTIVA IA
Para AgroSense, recomiendo dos estrategias complementarias:
1. Punto de partida inmediato: linkanjarad/mobilenet-v2-plant-disease — ya fine-tuneado en 38 clases de enfermedades vegetales (PlantVillage), 98.2% accuracy. Solo necesitas adaptar las últimas capas a tus 30 clases.
2. Máxima precisión: facebook/dinov2-large como feature extractor + cabeza de clasificación. DINOv2 es ideal para few-shot con imágenes de drones (dominio industrial).
Ambos son fine-tuneables sin restricciones con Apache-2.0 y MIT.
2. Máxima precisión: facebook/dinov2-large como feature extractor + cabeza de clasificación. DINOv2 es ideal para few-shot con imágenes de drones (dominio industrial).
Consulta 2 — Datasets públicos de enfermedades vegetales
A
AgroSense Labs
¿Hay datasets de enfermedades de plantas en HF que podamos combinar con nuestras 12.000 imágenes etiquetadas? Necesitamos formato compatible con COCO o ImageFolder de torchvision.
dataset_search
MCP Tool Call
↩ 280ms
query="plant disease leaves agriculture classification",
tags=["task_categories:image-classification", "language:en"],
sort="downloads",
limit=5
plant-village/PlantVillage-Dataset
54.306 imágenes etiquetadas de enfermedades en 14 especies. 38 clases (sano + enfermo). ImageFolder compatible.
agentlans/citrus-disease-images
8.200 imágenes de cítricos: black spot, greening, canker, melanosis. Ideal para el caso naranjos de AgroSense.
keremberke/leaf-disease-detection
COCO-format annotations. 15.000 imágenes con bounding boxes. Compatible con YOLO y Detectron2.
🤗
Asistente CULTIVA IA
Estrategia de datos recomendada para AgroSense:
Combinar: PlantVillage (54K imgs) + citrus-disease-images (8.2K imgs especializadas en cítricos) + vuestras 12K imágenes propias.
Total: ~74K imágenes. Aplicad un muestreo estratificado para que cada clase tenga mínimo 1.000 ejemplos.
El dataset de Keremberke tiene formato COCO nativo — perfecto si queréis detección por zona además de clasificación global.
Total: ~74K imágenes. Aplicad un muestreo estratificado para que cada clase tenga mínimo 1.000 ejemplos.
Consulta 3 — Papers para alertas en español (módulo NLP)
A
AgroSense Labs
¿Qué papers recientes hay sobre instruction-tuning para generar alertas en lenguaje natural a partir de etiquetas de clasificación? El agricultor debe recibir el mensaje en español claro.
paper_search
MCP Tool Call
↩ 195ms
query="instruction tuning label-to-text natural language generation agriculture alerts",
results_limit=5
📄
AgriLLM: Instruction-tuned Language Models for Agricultural Advisory in Low-Resource Languages
Presentamos AgriLLM, un LLM fine-tuneado con 80.000 pares (etiqueta agrícola → consejo en lenguaje natural) en 12 idiomas, incluyendo español. Alcanza BLEU-4 de 42.3 y una puntuación humana de 4.6/5 en claridad para agricultores no técnicos. Dataset y modelo disponibles en HF Hub bajo CC BY 4.0.
📄
LIMA-Agri: Less Is More for Alignment in Domain-specific Label-to-Text Generation
Con solo 1.000 ejemplos de alta calidad (etiqueta → alerta), instruction-tuning supera a GPT-4 en dominio agrícola especializado. Usamos LoRA rank-16 sobre Mistral-7B. El modelo generado cabe en 8GB VRAM.
Consulta 4 — Lanzar fine-tuning en GPU (HF Jobs)
A
AgroSense Labs
Lanza el fine-tuning de DINOv2-large en nuestra GPU más asequible con el dataset combinado. Stack: PyTorch + HF Trainer. Máximo 50€/mes.
hf_jobs
MCP Tool Call
↩ 1.2s · Job iniciado
operation="run",
image="pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime",
command=["/bin/sh", "-lc", "pip install transformers datasets trl accelerate && python train_agrosense.py"],
flavor="t4-small", // 0.60€/h · Tesla T4 16GB
secrets={"HF_TOKEN": "$HF_TOKEN", "AGROSENSE_DATASET_ID": "$DS_ID"}
→ Job lanzado: job-a3f8c912
image="pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime",
command=["/bin/sh", "-lc", "pip install transformers datasets trl accelerate && python train_agrosense.py"],
flavor="t4-small", // 0.60€/h · Tesla T4 16GB
secrets={"HF_TOKEN": "$HF_TOKEN", "AGROSENSE_DATASET_ID": "$DS_ID"}
→ Job lanzado: job-a3f8c912
fine-tune-dinov2-agrosense · En ejecución
job-a3f8c912
Epoch 3/10
Progreso
0.4231
Loss actual
94.7%
Val Accuracy
Progreso total (3/10 épocas)
14:23:01 [INFO] Cargando PlantVillage + citrus-disease + AgroSense: 74.206 imgs
14:23:18 [INFO] Inicializando facebook/dinov2-large (307M params)
14:23:25 [INFO] Epoch 1/10 · loss=1.2341 · val_acc=82.3%
14:35:42 [INFO] Epoch 2/10 · loss=0.7812 · val_acc=91.1%
14:47:19 [INFO] Epoch 3/10 · loss=0.4231 · val_acc=94.7% ← actual
14:47:19 [WARN] GPU VRAM: 14.2/16GB — considera gradient checkpointing en ep 6+
🤗
Asistente CULTIVA IA
Job lanzado correctamente en T4 Small (0.60€/h). Estimaciones:
Coste total fine-tuning: ~7 épocas restantes × ~12 min/época = 84 min × 0.60€/h ≈ 0.84€ para completar.
El modelo resultante se guardará automáticamente en agrosense-labs/dinov2-plant-30class.
Val accuracy proyectada al epoch 10: ~97.5% (extrapolando curva).
Si el VRAM se ajusta, activaré gradient_checkpointing=True desde el epoch 6 para evitar OOM. El modelo final cabe en 1.2GB — deployable en cualquier instancia pequeña.
El modelo resultante se guardará automáticamente en agrosense-labs/dinov2-plant-30class.
Val accuracy proyectada al epoch 10: ~97.5% (extrapolando curva).