README.md

metadata

title: ChiliCare AI
emoji: 🌶️
colorFrom: red
colorTo: yellow
sdk: docker
pinned: false
short_description: Deteksi Penyakit Daun Cabai berbasis YOLOv11 dan LLM

ChiliCare AI

(Anda bisa membiarkan isi README lama Anda di bawah garis pemisah ini...)

ChiliCare: Chili Leaf Disease Detection with YOLOv11 and RAG

ChiliCare adalah sebuah aplikasi web AI berarsitektur dual-pipeline yang dirancang untuk manajemen kesehatan tanaman cabai. Sistem ini mengintegrasikan model Computer Vision (YOLOv11) untuk deteksi penyakit secara visual dan ekosistem Large Language Models (LLM) berbasis Retrieval-Augmented Generation (RAG) untuk memberikan diagnosis, rekomendasi penanganan, serta asisten virtual interaktif.

Fitur Utama

• Sistem Deteksi Penyakit (Upload-and-Predict) Menggunakan model deteksi objek YOLOv11 untuk mengidentifikasi area daun cabai yang terinfeksi secara akurat.

• Diagnosis Berbasis RAG (Vision-to-Text) Hasil deteksi bounding box dari YOLO diproses lebih lanjut oleh LLM menggunakan mekanisme RAG terstruktur untuk memberikan penjelasan penyakit dan rekomendasi penanganan secara otomatis.

• Chatbot Pakar Percabaian (Text-to-Text) Asisten virtual interaktif yang berjalan di pipeline terpisah menggunakan LangChain dan ChromaDB untuk menjawab pertanyaan spesifik seputar perawatan dan penyakit tanaman cabai.

• Antarmuka Web Interaktif Dibangun menggunakan Streamlit (app.py) untuk menghadirkan antarmuka pengguna yang bersih dan mudah digunakan.

• Siap Deployment (Dockerized) Proyek ini telah dikonfigurasi dengan Docker, memastikan sistem berjalan konsisten di berbagai lingkungan tanpa masalah dependensi.

Teknologi yang Digunakan

• Computer Vision: YOLOv11 (Ultralytics), OpenCV
• AI & LLM Ecosystem: Python, LangChain, ChromaDB
• Web Framework: Streamlit
• Deployment & Ops: Docker

Struktur File Utama

• app.py: Skrip utama untuk menjalankan antarmuka web Streamlit dan orkestrasi model.
• train_yolo11_chili_leaf_disease_detection.ipynb: Notebook komprehensif yang berisi pipeline prapemrosesan data, augmentasi, pelatihan, dan evaluasi model YOLOv11.
• data.json: Basis pengetahuan (konteks, label, referensi penanganan) yang digunakan oleh vektor database untuk mekanisme RAG.

Cara Menjalankan Proyek

Opsi 1: Menggunakan Docker (Direkomendasikan)

Pastikan Docker sudah terinstal di sistem Anda, lalu jalankan perintah berikut:

# Build image docker
docker build -t chilicare-app .

# Jalankan container
docker run -p 8501:8501 chilicare-app