FlowerAI est une application basée sur l’intelligence artificielle qui permet de
reconnaître automatiquement le type d’une fleur à partir d’une image. L’utilisateur peut simplement
fournir une photo, et le système analyse l’image pour identifier la catégorie correspondante parmi
trois types de fleurs : roses, tulipes et tournesols.Le résultat est affiché de manière claire, avec un niveau de confiance, ce qui permet de comprendre la précision de la prédiction. Ce projet illustre comment l’intelligence artificielle peut être utilisée de manière concrète dans des domaines comme l’éducation, la botanique ou le commerce, tout en offrant une expérience simple, rapide et interactive.

Sur le plan technique, le projet est développé en Python avec la bibliothèque PyTorch pour la création et l’entraînement du modèle. Le modèle utilisé est MobileNetV2, un réseau de neurones pré-entraîné, permettant d’appliquer le transfer learning afin de réduire le temps d’entraînement et d’améliorer la performance. Les images sont traitées grâce à des techniques de data augmentation (redimensionnement, rotation, retournement, ajustement des couleurs) afin d’augmenter la robustesse du modèle. L’entraînement est optimisé à l’aide d’un DataLoader pour le chargement par lots, d’une fonction de perte CrossEntropyLoss et d’un optimiseur Adam. Les performances sont évaluées avec des métriques comme l’accuracy et la loss sur un ensemble de validation.

En ce qui concerne la maintenabilité, le projet repose sur une séparation des différentes étapes du pipeline : prétraitement, entraînement, évaluation et prédiction, ce qui permet de modifier ou d’améliorer une partie sans impacter l’ensemble du système. L’utilisation de PyTorch garantit une bonne pérennité grâce à une communauté active et à des mises à jour régulières. Le choix du transfer learning améliore la réutilisabilité du code, car il est possible d’adapter facilement le modèle à d’autres types d’images. Le projet est également extensible, avec la possibilité d’ajouter de nouvelles classes ou de transformer le système en application web. Enfin, l’utilisation de MobileNetV2 représente un bon compromis entre précision et performance, permettant une exécution rapide tout en conservant de bons résultats.
Lien vers le collab: Cliquer ici