Ce projet de master a démarré avec un jeu de données public d'images de feuilles, complété par environ 600 photos que j'ai prises dans deux serres près de chez moi. J'ai comparé plusieurs architectures légères, puis retenu MobileNetV3 affiné en PyTorch et exporté en TensorFlow Lite. Une grande partie du travail a porté sur l'écart entre les images de laboratoire et les photos réelles, avec un éclairage et des arrière-plans très variables. La principale leçon : un bon score sur un jeu public ne dit presque rien de la performance sur le terrain.
Les petits maraîchers repèrent souvent les maladies trop tard, faute de conseil technique à proximité. Une première indication rapide, même approximative, aiderait à décider quand appeler un spécialiste.
Le modèle atteint une bonne exactitude sur le jeu de validation et tourne sur un téléphone d'entrée de gamme. Les essais sur des photos prises en serre ont montré une baisse de performance que le rapport analyse.
Votre moteur de recherche comprend enfin le jargon de votre métier, en arabe comme en français.
Un travail exploratoire sur un modèle qui signale les radiographies thoraciques à revoir en priorité.
Une caméra, un éclairage maîtrisé et un modèle qui repère les produits non conformes à cadence réelle.
Quantification, export ONNX, TensorRT : le même modèle, plus léger et plus rapide sur votre matériel.
