Architecture
Vision Transformer
Fine-tuning depuis
google/vit-base-patch16-224-in21k.
Classification de feuilles de haricot avec ViT
Un Vision Transformer fine-tuné pour reconnaître trois états d'une feuille de haricot : tache angulaire, rouille et feuille saine.
Vue d'ensemble
Dataset
Beans
Images de feuilles de haricot avec des splits train, validation et test.
Classes
3 classes
Tache angulaire, rouille du haricot et feuille saine.
Entraînement
4 époques
Learning rate 5e-5 · Batch size 16.
Workflow MLOps
Le projet suit un cycle complet : préparation des données, fine-tuning, évaluation et publication du modèle sur le Hugging Face Hub.
Chargement
Chargement de beans avec les splits train,
validation et test.
Prétraitement
Redimensionnement, normalisation et augmentation avec
torchvision.
Fine-tuning
Entraînement du ViT avec Trainer et sélection du
meilleur checkpoint.
Évaluation
Calcul de l'accuracy sur le split test indépendant.
Publication
Envoi des poids, labels et image processor avec
push_to_hub().
Classes prédites
Le modèle retourne un score de confiance pour chacune des trois classes.
Angular leaf spot
Tache angulaire
Maladie provoquant des lésions angulaires visibles sur les feuilles.
Bean rust
Rouille du haricot
Maladie souvent reconnaissable par des pustules brun-orangé.
Healthy
Feuille saine
Feuille ne présentant pas les symptômes des deux maladies ciblées.
Résultats d'évaluation
Après le fine-tuning, ajoute ici la valeur exacte de
eval_accuracy affichée par
trainer.evaluate(dataset["test"]).
Accuracy sur le jeu de test
À compléter
Exemple : 0.9870 ou 98.70%.
| Paramètre | Valeur |
|---|---|
| Modèle de base | google/vit-base-patch16-224-in21k |
| Nombre de classes | 3 |
| Époques | 4 |
| Learning rate | 5e-5 |
| Batch size | 16 |
| Métrique | Accuracy |
Test d'inférence
Dans le notebook, le modèle publié est rechargé via une pipeline Hugging Face, puis reçoit une image brute du jeu de test.
from transformers import pipeline
classifier = pipeline(
"image-classification",
model="EliasMeh/vit-beans-demo"
)
predictions = classifier(image)
Limite du Space Static :
cette page ne peut pas lancer Python côté serveur. Elle présente le
modèle et le workflow ; une zone d'upload avec prédiction nécessite
normalement un Space Gradio ou Docker.
Artefact publié
Le dépôt du modèle contient les poids fine-tunés, le fichier
config.json, les labels et le processeur d'images
nécessaires pour l'inférence.