PlantVision AI – Bilderkennung für Pflanzenarten 🌱

Projektbeschreibung

PlantVision AI ist eine Anwendung zur automatischen Erkennung von Pflanzenarten anhand von Bildern. Ein Nutzer lädt ein Foto einer Pflanze hoch, und unser Modell gibt die wahrscheinlichste Art aus, inkl. einer Konfidenzangabe.

Ziele

• Aufbau eines Deep-Learning-Modells zur Klassifikation von Pflanzenarten
• Bereitstellung eines REST-Backends zur Bildanalyse
• Entwicklung eines einfachen Frontends zur Interaktion für Endnutzer
• Saubere Teamarbeit mit klaren Modulen, Git-Workflow und Dokumentation

---

Tech-Stack

• Programmiersprache: Python
• ML / Deep Learning: PyTorch, Torchvision
• Bildverarbeitung: Pillow (optional OpenCV)
• Backend: FastAPI oder Flask (REST-API)
• Frontend: einfache Weboberfläche (HTML/CSS/JS oder React)
• Sonstiges: Git

---

RNN/Transformer für Text

Custom Trainings-Loops (for epoch in range(...): ...)

ToDo Data and Training

Prio 1 – Data & Training lauffähig machen

1. Datenset & DataLoader (data/)

Dateien:

• data/dataloader.py
• data/transforms.py

Aufgaben:

• Oxford Flowers Dataset laden (Bilder + Labels)
• Train/Valid/Test-Splits definieren
• torch.utils.data.Dataset + DataLoader implementieren
• Standard-Transforms:
  • Resize/Crop auf konsistente Größe (z.B. 224x224)
  • ToTensor()
  • Normalize mit ImageNet-Mean/Std (für ResNet)

---

2. ResNet-Modell (models/)

Datei:

• models/plant_model.py

Aufgaben:

• Funktion create_resnet_model(num_classes: int) implementieren:
  • torchvision.models.resnet50 mit vortrainierten Gewichten laden
  • letzten Fully-Connected-Layer (model.fc) an num_classes anpassen
• vorhandene save_model und load_model weiterverwenden:
  • save_model(model, path)
  • load_model(path, num_classes, ...) → ResNet-Variante laden

---

3. Trainings-Skript (training/)

Datei:

• training/train.py

Aufgaben:

• train()-Funktion implementieren:
  • Modell über create_resnet_model(...) holen
  • DataLoader aus data/dataloader.py
  • Loss: nn.CrossEntropyLoss
  • Optimizer: z.B. torch.optim.Adam oder SGD
  • Training über X Epochen (z.B. 5–10)
  • am Ende Gewichte speichern (save_model(...) → z.B. models/Plant_classifier.pth)
• Optional: einfache Konsolenausgabe für Loss/Accuracy pro Epoche

---

4. Prediction (z.B. predict.py)

Datei:

• predict.py im Projektroot oder predict/predict.py

Aufgaben:

• Modell über load_model laden
• Bildpfad als Argument entgegennehmen:

  python predict.py path/to/image.jpg
  

5. Startmenü

╔══════════════════════════════════╗ ║ MAIN MENU ║ ╠══════════════════════════════════╣ ║ 1) Load image to analyze by AI ║ ║ 2) Train Plantmodel ║ ║ 3) Validate Plantmodel ║ ║ 0) Exit ║ ╚══════════════════════════════════╝

1 -