Cours

Problème : Les agriculteurs peinent à identifier les maladies du manioc à temps.

Objectifs d’apprentissage :

• Appliquer la vision par ordinateur à l’agriculture.

• Construire un modèle CNN pour classer des feuilles de manioc.

  Critères d’évaluation :

• Précision du modèle (>85%).

• Clarté du pipeline de traitement d’image.

• Documentation du processus.

  Prérequis : Bases de Python, NumPy, PyTorch, notions de classification.

Problème : Les variations climatiques influencent les récoltes, rendant la planification difficile.

Objectifs d’apprentissage :

• Manipuler des données temporelles.

• Créer un modèle de régression pour estimer les rendements.

  Critères d’évaluation :

• Exactitude du modèle (RMSE faible).

• Interprétabilité des variables clés.

• Reproductibilité du code.

  Prérequis : Pandas, Scikit-learn, régression linéaire et temporelle.

Problème : Le désherbage manuel est coûteux et peu efficace.

Objectifs d’apprentissage :

• Utiliser la segmentation d’images (U-Net ou Mask R-CNN).

• Comprendre les enjeux de données annotées en contexte agricole.

  Critères d’évaluation :

• Qualité de la segmentation (IoU ≥ 0.7).

• Robustesse sur différents types de sols.

• Rapport de synthèse clair.

  Prérequis : Vision par ordinateur, notions de segmentation, Label Studio.