plant_disease

Application de détection de maladies de plantes — Guide rapide

⚠️ Fichier manquant : modèle XGBoost

Ton modèle CNN (best_cnn_model.keras) est déjà inclus et testé dans ce dossier. Il ne manque que final_xgb_model.json (le modèle XGBoost entraîné, sauvegardé via final_xgb_model.save_model(...) dans ton notebook) — best_xgb_params.json que tu m'as envoyé ne contient que les hyperparamètres, pas le modèle.

Retrouve ce fichier (Colab, Drive, ou ton dossier API) et place-le dans models/. Sans lui, seul le CNN sera utilisable dans le sélecteur.

1. Structure du projet

plant_app/
├── app.py              # interface Streamlit (point d'entrée)
├── config.py            # ⚠️ À PERSONNALISER (modèles, classes, risques)
├── gradcam.py            # explicabilité visuelle (Grad-CAM)
├── requirements.txt
└── models/               # mets ici tes fichiers .h5 / .keras
    ├── cnn_baseline.h5
    └── mobilenetv2.h5

2. Installation

cd plant_app
python -m venv venv
source venv/bin/activate        # Windows : venv\Scripts\activate
pip install -r requirements.txt

3. Étapes pour personnaliser (fichier config.py UNIQUEMENT)

a) Copier tes modèles

Place tes fichiers .h5 / .keras dans le dossier models/, puis mets à jour le dictionnaire MODELS avec :

• le nom à afficher dans le menu déroulant
• le chemin du fichier
• le nom de la dernière couche convolutive (visible avec model.summary()) → nécessaire pour Grad-CAM

b) Mettre les bons noms de classes

Très important : l'ordre doit être EXACTEMENT celui utilisé pendant l'entraînement. Dans ton notebook, récupère-le ainsi :

import json
class_names = list(train_generator.class_indices.keys())
json.dump(class_names, open("class_names.json", "w"))

Puis colle la liste dans CLASS_NAMES (ou charge le fichier JSON directement).

c) Ajuster les niveaux de risque si besoin

Le dictionnaire RISK_LEVELS associe des mots-clés (ex: "blight", "rust", "healthy") à un niveau de risque + conseil. Adapte selon tes cultures.

4. Lancer l'application

streamlit run app.py

Une page va s'ouvrir dans le navigateur (par défaut http://localhost:8501).

5. Déploiement (optionnel, gratuit)

1. Pousse le dossier plant_app/ sur un repo GitHub (inclure les modèles si < 100 Mo, sinon utiliser Git LFS ou un stockage externe comme Google Drive
   • téléchargement au démarrage).
2. Va sur https://share.streamlit.io
3. Connecte ton repo GitHub, choisis app.py, déploie.

6. Pour ton rapport / soutenance

• La section Grad-CAM répond directement à l'exigence "affichage du résultat avec explication de la décision".
• Le sélecteur de modèle te permet de montrer en live les différences de comportement entre tes modèles benchmarkés (utile pour ton tableau comparatif Accuracy / F1 / temps / taille).
• Pense à capturer des captures d'écran de l'appli pour ton notebook / rapport final.

Problèmes fréquents