Retour aux projets

Projet tutoré · Master IA & Big Data · ESP Dakar

SUGU AI

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 ?

Code sourceAgriculture · données · IA appliquée

Biais détecté · images de riz au style laboratoire

Quand l’arrière-plan influence le diagnostic.

v2 · classées « arachide » à tort74,3 %
v3 · classées « arachide » à tort0,3 %

Comparaison sur les mêmes 608 images tenues à part. La nuance sur la source de ces images est expliquée plus bas.

Mesurer · comprendre · corriger

Évaluation du modèle

Un score n’a de valeur qu’avec son protocole.

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

Quatre briques, un même objectif.

Aider à réunir des informations agricoles utiles dans une expérience lisible, tout en rendant visibles les limites des modèles.

01

Conseiller les cultures

Rassembler les signaux utiles pour orienter les choix agricoles.

02

Diagnostiquer les feuilles

Classer des maladies du riz et de l’arachide à partir d’images.

03

Suivre les marchés

Prévoir les prix et présenter des éléments d’aide à la décision.

04

Rendre le financement lisible

Expliquer les facteurs d’un score fondé sur des règles métier.

Démarche

Tester au-delà du premier score.

01 / Tester

La validation v2 affichait 91,16 %, mais des images de riz externes au style laboratoire révélaient une forte confusion avec l’arachide.

02 / Comprendre

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.

03 / Corriger

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

PythonFastAPIReactMobileNetV2Prévision de séries temporelles
Explorer le dépôt