Jeu tenu à part · v2 → v3
17,6 % → 99,7 %
Taux de diagnostics corrects sur 608 images de riz, style laboratoire
Le modèle v3 a été entraîné avec 80 % d’images de cette même source.
Projet tutoré · Master IA & Big Data · ESP Dakar
Une aide à la décision agricole, et une question essentielle : est-ce que le modèle reconnaît vraiment la feuille — ou seulement le style de la photo ?
Biais détecté · images de riz au style laboratoire
Comparaison sur les mêmes 608 images tenues à part. La nuance sur la source de ces images est expliquée plus bas.
Évaluation du modèle
Jeu tenu à part · v2 → v3
17,6 % → 99,7 %
Taux de diagnostics corrects sur 608 images de riz, style laboratoire
Le modèle v3 a été entraîné avec 80 % d’images de cette même source.
Confusion · v2 → v3
74,3 % → 0,3 %
Part des images de riz classées à tort en arachide
Même jeu tenu à part de 608 images.
Validation v3 · 8 classes
94,5 %
Taux de classification correcte sur le jeu de validation
Rappel de la classe riz hispa : 89,5 %.
Le produit
Aider à réunir des informations agricoles utiles dans une expérience lisible, tout en rendant visibles les limites des modèles.
Rassembler les signaux utiles pour orienter les choix agricoles.
Classer des maladies du riz et de l’arachide à partir d’images.
Prévoir les prix et présenter des éléments d’aide à la décision.
Expliquer les facteurs d’un score fondé sur des règles métier.
Démarche
La validation v2 affichait 91,16 %, mais des images de riz externes au style laboratoire révélaient une forte confusion avec l’arachide.
L’analyse a mis en évidence un raccourci lié au style des photos et au fond, au lieu d’une reconnaissance robuste des symptômes foliaires.
Des images croisées ont été ajoutées à l’entraînement v3, puis le modèle a été évalué sur les mêmes 608 images tenues à part. Cette comparaison documente un progrès ciblé et sa limite, pas une preuve de généralisation universelle.
Technologies