Update model card with examples and purpose

README.md

@@ -8,6 +8,8 @@ tags:
   - computer-vision
   - object-detection
   - rf-detr
+  - precision-agriculture
+  - crop-health
 datasets:
   - plant-disease-faxnj
 metrics:
@@ -17,27 +19,89 @@ pipeline_tag: object-detection
 
 # CropScan - Plant Disease Detection Model
 
-CropScan is an RF-DETR model fine-tuned for plant disease detection. It identifies and localizes disease regions on plant leaves.
+CropScan est un modele de detection de maladies des plantes base sur RF-DETR, concu pour aider les agriculteurs a identifier rapidement les problemes de sante de leurs cultures.
 
-## Model Details
+## Pourquoi CropScan ?
 
-- **Model Architecture**: RF-DETR (medium)
-- **Task**: Object Detection / Disease Localization
-- **Performance**: mAP@50: 0.502
-- **Training**: Fine-tuned on plant disease dataset
+L'agriculture est un metier difficile. Les agriculteurs font face a de nombreux defis quotidiens : conditions meteorologiques imprevisibles, pressions economiques, et surtout, les maladies des cultures qui peuvent devastar des recoltes entieres en quelques jours.
 
-## Usage
+**CropScan a ete cree pour :**
+
+- **Aider les agriculteurs** a detecter les maladies tot, avant qu'elles ne se propagent
+- **Reduire les pertes de recolte** grace a une intervention rapide et ciblee
+- **Optimiser l'utilisation des traitements** en identifiant precisement les zones affectees
+- **Democratiser l'acces** a des outils de diagnostic avances, autrefois reserves aux experts
+
+Que vous soyez un petit exploitant ou un grand producteur, CropScan vous donne les moyens de proteger vos cultures avec la puissance de l'intelligence artificielle.
+
+## Exemple de Detection
+
+| Image Originale | Resultat de Detection |
+|:---------------:|:---------------------:|
+| ![Original](examples/original.png) | ![Detection](examples/detection_result.png) |
+
+L'image de gauche montre une feuille avec des symptomes de maladie. L'image de droite montre le resultat de CropScan : chaque region malade est identifiee et segmentee avec precision grace a l'integration de SAM2.
+
+## Details Techniques
+
+| Specification | Valeur |
+|--------------|--------|
+| **Architecture** | RF-DETR (medium) |
+| **Tache** | Detection d'objets / Localisation de maladies |
+| **Performance** | mAP@50: 0.502 |
+| **Taille du modele** | 134 MB |
+| **Format** | PyTorch (.pth) |
+
+## Utilisation
+
+### Installation
+
+```bash
+pip install rfdetr torch torchvision
+```
+
+### Inference
 
 ```python
+import torch
 from rfdetr import RFDETRBase
+from PIL import Image
 
+# Charger le modele
 model = RFDETRBase()
-model.load_state_dict(torch.load("checkpoint_best_total.pth"))
+checkpoint = torch.load("checkpoint_best_total.pth", map_location="cpu")
+model.load_state_dict(checkpoint)
+model.eval()
+
+# Charger une image
+image = Image.open("votre_image.jpg")
+
+# Effectuer la detection
+with torch.no_grad():
+    predictions = model(image)
+
+# Les predictions contiennent les boites englobantes des zones malades
 ```
 
-## Training Data
+### Integration avec SAM2 (Recommande)
+
+Pour obtenir des masques de segmentation precis plutot que des boites englobantes, combinez CropScan avec SAM2 :
+
+```python
+from sam2.sam2_image_predictor import SAM2ImagePredictor
+
+# Utiliser les boites de CropScan comme prompts pour SAM2
+predictor = SAM2ImagePredictor.from_pretrained("facebook/sam2-hiera-small")
+predictor.set_image(image)
+
+for box in predictions.boxes:
+    masks, scores, _ = predictor.predict(box=box, multimask_output=False)
+    # masks contient le masque de segmentation precis
+```
 
-This model was trained on the Plant Disease dataset from Roboflow Universe.
+## Donnees d'Entrainement
+
+Ce modele a ete entraine sur le dataset Plant Disease de Roboflow Universe, contenant des images de feuilles avec diverses maladies.
 
 ```bibtex
 @misc{plant-disease-faxnj_dataset,
@@ -53,14 +117,24 @@ This model was trained on the Plant Disease dataset from Roboflow Universe.
 }
 ```
 
-## Intended Use
+## Cas d'Usage
 
-- Plant disease detection in agricultural applications
-- Research on plant pathology
-- Integration with segmentation models (e.g., SAM2) for precise mask generation
+- **Agriculture de precision** : Surveillance automatisee des cultures par drone ou camera fixe
+- **Diagnostic sur le terrain** : Application mobile pour identification rapide des maladies
+- **Recherche agronomique** : Etude de la propagation des maladies vegetales
+- **Formation** : Outil pedagogique pour les etudiants en agronomie
 
 ## Limitations
 
-- Trained primarily on PlantVillage-style images
-- Best performance on individual leaf images with clear backgrounds
-- May require SAM2 integration for precise segmentation masks
+- Entraine principalement sur des images de type PlantVillage
+- Meilleures performances sur des images individuelles de feuilles avec fond clair
+- Recommande d'utiliser SAM2 pour des masques de segmentation precis
+- Ne remplace pas l'expertise d'un agronome pour le diagnostic final
+
+## Licence
+
+Ce modele est distribue sous licence MIT. Vous etes libre de l'utiliser, le modifier et le distribuer pour des usages commerciaux ou non-commerciaux.
+
+---
+
+*Cree avec passion pour soutenir ceux qui nous nourrissent.*