README.md 2.84 KB
Newer Older
Dionisi Jeanne's avatar
Dionisi Jeanne committed
1
2
# ML - Plant Disease Detection

Dionisi Jeanne's avatar
Dionisi Jeanne committed
3
4
*Par Jade Freneau, Lise Kleiber et Jeanne Dionisi*

Dionisi Jeanne's avatar
Dionisi Jeanne committed
5
Nous nous basons sur l'article suivant et les gits associés suivants :
Dionisi Jeanne's avatar
Dionisi Jeanne committed
6
- [Using Deep Learning for Image-Based Plant Disease Detection](https://arxiv.org/pdf/1604.03169.pdf)
Freneau Jade's avatar
Freneau Jade committed
7
8
- [Git des données](https://github.com/digitalepidemiologylab/plantvillage_deeplearning_paper_dataset)
- [Git du code](https://github.com/digitalepidemiologylab/plantvillage_deeplearning_paper_analysis)
Dionisi Jeanne's avatar
Dionisi Jeanne committed
9

Dionisi Jeanne's avatar
Dionisi Jeanne committed
10
Ainsi que les données suivantes : 
Dionisi Jeanne's avatar
Dionisi Jeanne committed
11
- https://www.kaggle.com/c/cassava-leaf-disease-classification/overview
Dionisi Jeanne's avatar
Dionisi Jeanne committed
12

Dionisi Jeanne's avatar
Dionisi Jeanne committed
13
14
15
16
## Le projet 

Dans le cadre de notre cours de Machine Learning à l'INSA de Rouen, nous avons réalisé un projet. L'objectif de celui-ci est de faire une critique de l'article, puis d'essayer de trouver une architecture récente qui donne des meilleurs résultats avec un poids raisonnable. Nous avons donc entraîné des modèles pour la détection des maladies végétales sur des feuilles.

Freneau Jade's avatar
Freneau Jade committed
17
Pour cela, nous sommes parties de cet [article](https://arxiv.org/pdf/1604.03169.pdf), qui utilise 2 réseaux de neurones pour détecter des maladies sur des plantes. Notre objectif étant d'atteindre une meilleure précision, nous avons tout d'abord fait un [état de l'art](Documents/Choix%20du%20r%C3%A9seau%20de%20neurones.md) de plusieurs réseaux de neurones performants à l'heure actuelle.
Dionisi Jeanne's avatar
Dionisi Jeanne committed
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

Après avoir porté notre choix sur l'EfficientNet, nous avons réalisé l'entraînement de notre réseau selon plusieurs configurations :
* la version de l'EfficientNet :
    * B0 (la taille des images est de 224)
    * B4 (la taille des images est de 380)
* la taille des lots :
    * 24
    * 100
* le nombre de classes :
    * 38 : les feuilles sont différenciées selon leur espèce et maladie (ou sain)
    * 18 : les feuilles sont différenciées selon leur maladie
    * 2 : les feuilles sont soit malades, soit saines, il n'y a pas d'autre différentiation
* le nombre d'epoch : 30 par défaut, mais moins si présence d'overfitting

Nous avons entraîné ces différents modèles sur le jeu de données de l'article **en couleurs**, puis nous les avons testé sur :
* le jeu de données de l'article **en couleurs**
* le jeu de données de l'article **en gris**
* un **nouveau** jeu de données 

Les codes utilisés sont les suivants :
Freneau Jade's avatar
Freneau Jade committed
38
* [B0_24batch30epoch38classes](Code/B0_24batch30epoch38classes.ipynb)
Dionisi Jeanne's avatar
Dionisi Jeanne committed
39
* [B0_100batch30epoch38classes](Code/B0_100batch30epoch38classes.ipynb)
Freneau Jade's avatar
Freneau Jade committed
40
* [B4_100batch30epoch38classes](Code/B4_100batch30epoch38classes.ipynb)
Dionisi Jeanne's avatar
Dionisi Jeanne committed
41
42
* [B0_24batch30epoch18classes](Code/B0_24batch30epoch18classes.ipynb)
* [B0_100batch30epoch18classes](Code/B0_100batch30epoch18classes.ipynb)
Dionisi Jeanne's avatar
Dionisi Jeanne committed
43
* [B0_24batch30epoch2classes](Code/B0_24batch30epoch2classes.ipynb)
Freneau Jade's avatar
Freneau Jade committed
44
* [B0_100batch12epoch2classes](Code/B0_100batch12epoch2classes.ipynb)
Dionisi Jeanne's avatar
Dionisi Jeanne committed
45

Dionisi Jeanne's avatar
Dionisi Jeanne committed
46
Les résultats de ces évaluations sont à retrouver [ici](Résultats/Résultats_comparaisons.md).