Commit 11d22e50 authored by Dionisi Jeanne's avatar Dionisi Jeanne
Browse files

Update README.md

parent 7754dca8
......@@ -2,41 +2,45 @@
*Par Jade Freneau, Lise Kleiber et Jeanne Dionisi*
Gitlab du projet de ML sur la détection des maladies végétales sur des feuilles.
On se base sur l'article suivant :
Nous nous basons sur l'article suivant et les gits associés suivants :
- [Using Deep Learning for Image-Based Plant Disease Detection](https://arxiv.org/pdf/1604.03169.pdf)
- [Git des données](https://github.com/digitalepidemiologylab/plantvillage_deeplearning_paper_dataset)
- [Git du code](https://github.com/digitalepidemiologylab/plantvillage_deeplearning_paper_analysis)
Et les données suivantes :
Ainsi que les données suivantes :
- https://www.kaggle.com/c/cassava-leaf-disease-classification/overview
- https://www.kaggle.com/vipoooool/new-plant-diseases-dataset
### Instructions du prof
L'objectif de ce projet est de faire une critique de l'article, puis essayer de trouver une architecture récente qui donne des meilleurs résultats avec un poids raisonnable.
* cnn images net
* efficient net
* nf net
* Classement imagesnet ⇒ https://paperswithcode.com/sota/image-classification-on-imagenet
* Cornell ⇒ https://arxiv.org/abs/1905.11946
Actuellement il y a des technologies + puissantes (depuis 2016)
Faire attention au nombre de params / poids des architectures
Trouver un compromis entre une architecture récente et qqch de faisable sur nos machines
Faire le résumé biblio sur la nouvelle archive plutôt
**Soutenances la semaine du 19 mai**
*Attentes* :
⇒ Soutenance ~ 15 - 20min : Rentrer rapidement dans le sujet, poser le problème de ML, présenter le papier sans le détailler, dire pk il est bien, décrire les expés réalisées, si petit démo = appréciable, un avis personnel sur le projet/les difficultés/les perspectives
⇒ Résumé biblio de 2-3 pages qui résume l’article choisi avec un avis critique (le bien et le moins bien)
⇒ Faire un readme sur un git qui décrit le projet (pour pouvoir le mettre sur cv etc)
## 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.
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 de plusieurs réseaux de neurones performants à l'heure actuelle.
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 :
* B0_24batch30epoch38classes (mettre le lien)
* B0_100batch30epoch38classes (mettre le lien)
* B4_100batch30epoch38classes (mettre le lien)
* B0_24batch30epoch18classes (mettre le lien)
* B0_100batch30epoch18classes (mettre le lien)
* B0_24batch30epoch2classes (mettre le lien)
* B0_24batch12epoch2classes (mettre le lien)
Les résultats de ces évaluations sont à retrouver [ici](ml-plant-disease-detection/Résultats/Résultats_comparaisons.md).
Markdown is supported
0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment