Upload folder using huggingface_hub

.gitattributes

@@ -1,35 +1,35 @@
-*.7z filter=lfs diff=lfs merge=lfs -text
-*.arrow filter=lfs diff=lfs merge=lfs -text
-*.bin filter=lfs diff=lfs merge=lfs -text
-*.bz2 filter=lfs diff=lfs merge=lfs -text
-*.ckpt filter=lfs diff=lfs merge=lfs -text
-*.ftz filter=lfs diff=lfs merge=lfs -text
-*.gz filter=lfs diff=lfs merge=lfs -text
-*.h5 filter=lfs diff=lfs merge=lfs -text
-*.joblib filter=lfs diff=lfs merge=lfs -text
-*.lfs.* filter=lfs diff=lfs merge=lfs -text
-*.mlmodel filter=lfs diff=lfs merge=lfs -text
-*.model filter=lfs diff=lfs merge=lfs -text
-*.msgpack filter=lfs diff=lfs merge=lfs -text
-*.npy filter=lfs diff=lfs merge=lfs -text
-*.npz filter=lfs diff=lfs merge=lfs -text
-*.onnx filter=lfs diff=lfs merge=lfs -text
-*.ot filter=lfs diff=lfs merge=lfs -text
-*.parquet filter=lfs diff=lfs merge=lfs -text
-*.pb filter=lfs diff=lfs merge=lfs -text
-*.pickle filter=lfs diff=lfs merge=lfs -text
-*.pkl filter=lfs diff=lfs merge=lfs -text
-*.pt filter=lfs diff=lfs merge=lfs -text
-*.pth filter=lfs diff=lfs merge=lfs -text
-*.rar filter=lfs diff=lfs merge=lfs -text
-*.safetensors filter=lfs diff=lfs merge=lfs -text
-saved_model/**/* filter=lfs diff=lfs merge=lfs -text
-*.tar.* filter=lfs diff=lfs merge=lfs -text
-*.tar filter=lfs diff=lfs merge=lfs -text
-*.tflite filter=lfs diff=lfs merge=lfs -text
-*.tgz filter=lfs diff=lfs merge=lfs -text
-*.wasm filter=lfs diff=lfs merge=lfs -text
-*.xz filter=lfs diff=lfs merge=lfs -text
-*.zip filter=lfs diff=lfs merge=lfs -text
-*.zst filter=lfs diff=lfs merge=lfs -text
-*tfevents* filter=lfs diff=lfs merge=lfs -text
+*.7z filter=lfs diff=lfs merge=lfs -text
+*.arrow filter=lfs diff=lfs merge=lfs -text
+*.bin filter=lfs diff=lfs merge=lfs -text
+*.bz2 filter=lfs diff=lfs merge=lfs -text
+*.ckpt filter=lfs diff=lfs merge=lfs -text
+*.ftz filter=lfs diff=lfs merge=lfs -text
+*.gz filter=lfs diff=lfs merge=lfs -text
+*.h5 filter=lfs diff=lfs merge=lfs -text
+*.joblib filter=lfs diff=lfs merge=lfs -text
+*.lfs.* filter=lfs diff=lfs merge=lfs -text
+*.mlmodel filter=lfs diff=lfs merge=lfs -text
+*.model filter=lfs diff=lfs merge=lfs -text
+*.msgpack filter=lfs diff=lfs merge=lfs -text
+*.npy filter=lfs diff=lfs merge=lfs -text
+*.npz filter=lfs diff=lfs merge=lfs -text
+*.onnx filter=lfs diff=lfs merge=lfs -text
+*.ot filter=lfs diff=lfs merge=lfs -text
+*.parquet filter=lfs diff=lfs merge=lfs -text
+*.pb filter=lfs diff=lfs merge=lfs -text
+*.pickle filter=lfs diff=lfs merge=lfs -text
+*.pkl filter=lfs diff=lfs merge=lfs -text
+*.pt filter=lfs diff=lfs merge=lfs -text
+*.pth filter=lfs diff=lfs merge=lfs -text
+*.rar filter=lfs diff=lfs merge=lfs -text
+*.safetensors filter=lfs diff=lfs merge=lfs -text
+saved_model/**/* filter=lfs diff=lfs merge=lfs -text
+*.tar.* filter=lfs diff=lfs merge=lfs -text
+*.tar filter=lfs diff=lfs merge=lfs -text
+*.tflite filter=lfs diff=lfs merge=lfs -text
+*.tgz filter=lfs diff=lfs merge=lfs -text
+*.wasm filter=lfs diff=lfs merge=lfs -text
+*.xz filter=lfs diff=lfs merge=lfs -text
+*.zip filter=lfs diff=lfs merge=lfs -text
+*.zst filter=lfs diff=lfs merge=lfs -text
+*tfevents* filter=lfs diff=lfs merge=lfs -text

README.md

@@ -1,3 +1,179 @@
 ---
-license: apache-2.0
+base_model:
+- WinKawaks/vit-tiny-patch16-224
+library_name: transformers
+license: mit
+metrics:
+- accuracy
+pipeline_tag: image-classification
+tags:
+- vision transformer
+- agriculture
+- plant disease detection
+- smart farming
+- image classification
 ---
+
+# Fiche Modèle pour le Transformateur de Détection de Maladies en Agriculture Intelligente
+
+Ce modèle est un Vision Transformer (ViT) conçu pour identifier les maladies des plantes dans les cultures dans le cadre d'un système d'agriculture intelligente. Il a été entraîné sur un ensemble de données diversifié d'images de plantes, incluant différentes catégories de maladies affectant les cultures telles que le maïs, la pomme de terre, le riz et le blé. Le modèle vise à fournir aux agriculteurs et agronomes une détection de maladies en temps réel pour une meilleure gestion des cultures.
+
+## Détails du Modèle
+
+### Description du Modèle
+
+Ce modèle Vision Transformer a été affiné pour classifier diverses maladies de plantes couramment trouvées dans les environnements agricoles. Le modèle peut classifier les maladies dans les cultures telles que le maïs, la pomme de terre, le riz et le blé, identifiant des maladies comme la rouille, le mildiou, les taches foliaires, et autres. L'objectif est de permettre l'agriculture de précision en aidant les agriculteurs à détecter les maladies précocement et prendre les mesures appropriées.
+
+- **Développé par :** Cabrel KEPSEU
+- **Type de modèle :** Vision Transformer (ViT)
+- **Langues (NLP) :** N/A (Modèle de Vision par Ordinateur)
+- **Licence :** Apache 2.0
+- **Affiné à partir du modèle :** (WinKawaks/vit-tiny-patch16-224)[https://huggingface.co/WinKawaks/vit-tiny-patch16-224]
+- **Entrée :** Images de cultures (format RGB)
+- **Sortie :** Étiquettes de classification de maladies (catégories saines ou malades)
+## Maladies détectées par le modèle
+
+| Culture | Maladies Identifiées         |
+|---------|------------------------------|
+| Maïs    | Rouille Commune              |
+| Maïs    | Tache Grise des Feuilles     |
+| Maïs    | Sain                         |
+| Maïs    | Brûlure des Feuilles         |
+| -       | Invalide                     |
+| Pomme de terre | Mildiou Précoce       |
+| Pomme de terre | Saine                 |
+| Pomme de terre | Mildiou Tardif        |
+| Riz     | Tache Brune                  |
+| Riz     | Sain                         |
+| Riz     | Pyriculariose                |
+| Blé     | Rouille Brune                |
+| Blé     | Sain                         |
+| Blé     | Rouille Jaune                |
+
+
+
+## Utilisations
+
+### Utilisation Directe
+
+Ce modèle peut être utilisé directement pour classifier des images de cultures afin de détecter les maladies des plantes. Il est particulièrement utile pour l'agriculture de précision, permettant aux utilisateurs de surveiller la santé des cultures et prendre des interventions précoces basées sur la maladie détectée.
+
+### Utilisation en Aval
+
+Ce modèle peut être affiné sur d'autres ensembles de données agricoles pour des cultures ou régions spécifiques afin d'améliorer ses performances ou être intégré dans des systèmes d'agriculture de précision plus larges qui incluent d'autres fonctionnalités comme les prédictions météorologiques et le contrôle d'irrigation.
+
+Peut être quantifié ou déployé en pleine précision sur des appareils de périphérie grâce à sa petite taille de paramètres sans compromettre la précision et l'exactitude.
+### Utilisation Hors Portée
+
+Ce modèle n'est pas conçu pour des tâches de classification d'images non agricoles ou pour des environnements avec des données insuffisantes ou très bruitées. L'utilisation abusive inclut l'utilisation du modèle dans des zones avec des conditions agricoles très différentes de celles sur lesquelles il a été entraîné.
+
+## Biais, Risques et Limitations
+
+- Le modèle peut présenter un biais envers les cultures et maladies présentes dans l'ensemble de données d'entraînement, conduisant à des performances moindres sur les maladies ou variétés de cultures non représentées.
+- Les faux négatifs (échec à détecter une maladie) peuvent résulter en des dommages de culture non traités, tandis que les faux positifs pourraient conduire à des interventions inutiles.
+
+### Recommandations
+
+Les utilisateurs devraient évaluer le modèle sur leurs cultures spécifiques et conditions agricoles. Des mises à jour régulières et un réentraînement avec des données locales sont recommandés pour des performances optimales.
+
+## Comment Commencer avec le Modèle
+
+```python
+from PIL import Image, UnidentifiedImageError
+from transformers import ViTFeatureExtractor, ViTForImageClassification
+feature_extractor = ViTFeatureExtractor.from_pretrained('cabrel09/crop_leaf_diseases_detector')
+model = ViTForImageClassification.from_pretrained(
+    'cabrel09/crop_leaf_diseases_detector',
+    ignore_mismatched_sizes=True
+)
+image = Image.open('<chemin_image>')
+inputs = feature_extractor(images=image, return_tensors="pt")
+outputs = model(**inputs)
+logits = outputs.logits
+predicted_class_idx = logits.argmax(-1).item()
+print("Classe prédite:", model.config.id2label[predicted_class_idx])
+```
+
+## Détails d'Entraînement
+
+### Données d'Entraînement
+
+Le modèle a été entraîné sur un ensemble de données contenant des images de diverses cultures avec des maladies étiquetées, incluant les catégories suivantes :
+
+- **Maïs** : Rouille Commune, Tache Grise des Feuilles, Brûlure des Feuilles, Sain
+- **Pomme de terre** : Mildiou Précoce, Mildiou Tardif, Saine
+- **Riz** : Tache Brune, Hispa, Pyriculariose, Sain
+- **Blé** : Rouille Brune, Rouille Jaune, Sain
+
+L'ensemble de données inclut également des images capturées sous diverses conditions d'éclairage, à partir d'environnements contrôlés et non contrôlés et d'angles différents, pour simuler des scénarios agricoles du monde réel.
+Nous avons utilisé des ensembles de données publiquement disponibles, ainsi que nos propres données privées. 
+### Procédure d'Entraînement
+
+Le modèle a été affiné en utilisant une architecture vision transformer pré-entraînée sur l'ensemble de données ImageNet. L'ensemble de données a été prétraité en redimensionnant les images et normalisant les valeurs de pixels.
+
+#### Hyperparamètres d'Entraînement
+
+- **Taille de lot :** 32
+- **Taux d'apprentissage :** 2e-5
+- **Époques :** 4
+- **Optimiseur :** AdamW
+- **Précision :** fp16
+
+### Évaluation
+![Matrice de confusion](disease_classification_metrics.png)
+
+
+#### Données de Test, Facteurs et Métriques
+
+Le modèle a été évalué en utilisant un ensemble de validation composé de 20% de l'ensemble de données original, avec les métriques suivantes :
+
+- **Précision :** 98%
+- **Précision (Precision) :** 97%
+- **Rappel :** 97%
+- **Score F1 :** 96%
+
+## Impact Environnemental
+
+Les émissions de carbone pendant l'entraînement du modèle peuvent être estimées en utilisant le [calculateur d'impact de l'apprentissage automatique](https://mlco2.github.io/impact#compute).
+
+- **Type de matériel :** NVIDIA L40S
+- **Heures utilisées :** 1 heure
+- **Fournisseur cloud :** Lightning AI
+
+## Spécifications Techniques
+
+### Architecture et Objectif du Modèle
+
+Le modèle utilise une architecture Vision Transformer pour apprendre les représentations d'images et les classifier en catégories de maladies. Son mécanisme d'auto-attention lui permet de capturer l'information contextuelle globale dans les images, le rendant adapté à la détection de maladies agricoles.
+
+### Infrastructure de Calcul
+
+#### Logiciel
+
+- Python 3.9
+- PyTorch 2.4.1+cu121
+- pytorch_lightning
+- Bibliothèque Transformers par Hugging Face
+
+## Citation
+
+Si vous utilisez ce modèle dans vos recherches ou applications, veuillez le citer comme suit :
+
+**BibTeX :**
+
+```
+@misc{cabrel2025cropdiseases,
+  title={Détecteur de maladies des feuilles de culture},
+  author={Cabrel Kepseu},
+  year={2025},
+  publisher={Hugging Face},
+}
+```
+
+**APA :**
+
+Cabrel, K. (2025). Détecteur de maladies des feuilles de culture. Hugging Face.
+
+## Contact de la Fiche Modèle
+
+Pour plus d'informations, contactez : klccomputing2023@gmail.com

config.json

@@ -0,0 +1,54 @@
+{
+  "_name_or_path": "WinKawaks/vit-tiny-patch16-224",
+  "architectures": [
+    "ViTForImageClassification"
+  ],
+  "attention_probs_dropout_prob": 0.0,
+  "encoder_stride": 16,
+  "hidden_act": "gelu",
+  "hidden_dropout_prob": 0.0,
+  "hidden_size": 192,
+  "id2label": {
+    "0": "Corn___Common_Rust",
+    "1": "Corn___Gray_Leaf_Spot",
+    "10": "Wheat___Brown_Rust",
+    "11": "Wheat___Healthy",
+    "12": "Wheat___Yellow_Rust",
+    "2": "Corn___Healthy",
+    "3": "Invalid",
+    "4": "Potato___Early_Blight",
+    "5": "Potato___Healthy",
+    "6": "Potato___Late_Blight",
+    "7": "Rice___Brown_Spot",
+    "8": "Rice___Healthy",
+    "9": "Rice___Leaf_Blast"
+  },
+  "image_size": 224,
+  "initializer_range": 0.02,
+  "intermediate_size": 768,
+  "label2id": {
+    "Corn___Common_Rust": "0",
+    "Corn___Gray_Leaf_Spot": "1",
+    "Corn___Healthy": "2",
+    "Invalid": "3",
+    "Potato___Early_Blight": "4",
+    "Potato___Healthy": "5",
+    "Potato___Late_Blight": "6",
+    "Rice___Brown_Spot": "7",
+    "Rice___Healthy": "8",
+    "Rice___Leaf_Blast": "9",
+    "Wheat___Brown_Rust": "10",
+    "Wheat___Healthy": "11",
+    "Wheat___Yellow_Rust": "12"
+  },
+  "layer_norm_eps": 1e-12,
+  "model_type": "vit",
+  "num_attention_heads": 3,
+  "num_channels": 3,
+  "num_hidden_layers": 12,
+  "patch_size": 16,
+  "problem_type": "single_label_classification",
+  "qkv_bias": true,
+  "torch_dtype": "float32",
+  "transformers_version": "4.44.2"
+}

model.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:1f91c9032e290d145bec27d8b82439bc9ea189f4c72923740daf4113990314b2
+size 22130420

preprocessor_config.json

@@ -0,0 +1,22 @@
+{
+  "do_normalize": true,
+  "do_rescale": true,
+  "do_resize": true,
+  "image_mean": [
+    0.5,
+    0.5,
+    0.5
+  ],
+  "image_processor_type": "ViTImageProcessor",
+  "image_std": [
+    0.5,
+    0.5,
+    0.5
+  ],
+  "resample": 2,
+  "rescale_factor": 0.00392156862745098,
+  "size": {
+    "height": 224,
+    "width": 224
+  }
+}