🌿 Leaffliction — Plant Disease Classification (Computer Vision)

---

📑 Table des matières

• 📌 Overview
• 📁 Structure du projet
• 🧪 1. Dataset Analysis — Distributionpy
• 🔄 2. Data Augmentation — Augmentationpy
• 🎨 3. Image Transformation — Transformationpy
• 🧠 4. Classification — trainpy
• 🔍 5. Prediction — predictpy
• 🔐 6. Signature SHA1 — signaturetxt
• 🧩 Norme Python (42)
• 🛠️ Installation & environnement Poetry
• ▶️ Exemples de commandes
• ✅ Qualité logicielle
• 📚 Stack technique
• 🎯 Objectifs pédagogiques
• © Licence
• 👤 Auteur

---

📌 Overview

Leaffliction est un projet de Computer Vision visant à détecter automatiquement les maladies présentes sur des feuilles de plantes à partir d’images.

Il suit le sujet Leaffliction de l’École 42 et implémente un pipeline complet :

• 📊 Analyse du dataset
• 🔄 Data augmentation (≥ 6 techniques pour équilibrer les classes)
• 🎨 Transformations d’images (≥ 6 transformations)
• 🧠 Classification par Deep Learning (CNN)
• ✔️ Accuracy ≥ 90 %
• 🔐 Signature SHA1 pour validation
• 📂 Compatible avec toutes les plantes du dataset (tous les sous-dossiers)
• 🗂️ Les scripts doivent fonctionner avec n’importe quelle organisation du dataset
• 🚫 Le dataset, les images augmentées ou les modèles ne doivent jamais être commit

Développé en Python 3.10+, géré via Poetry, avec une stack qualité complète : pytest, ruff, mypy, mutmut, black, bandit, pre-commit, GitHub Actions & Codecov.

---

📁 Structure du projet

Leaffliction/
├── src/leaffliction/
│   ├── __init__.py
│   ├── distribution.py
│   ├── augmentation.py
│   ├── transformation.py
│   ├── training.py
│   ├── prediction.py
│   └── cli.py
│
├── scripts/
│   ├── Distribution.py
│   ├── Augmentation.py
│   ├── Transformation.py
│   ├── train.py
│   └── predict.py
│
├── tests/
│   ├── test_distribution.py
│   ├── test_augmentation.py
│   ├── test_transformation.py
│   ├── test_training.py
│   └── test_prediction.py
│
├── .github/workflows/ci.yml
├── .pre-commit-config.yaml
├── .ruff.toml
├── mypy.ini
├── .coveragerc
├── codecov.yml
├── pyproject.toml
├── poetry.lock
├── LICENSE
└── signature.txt

⚠️ Avertissement :

• Le dataset NE DOIT PAS apparaître dans le dépôt (sinon 0 direct).
• Les images augmentées, transformées et le modèle entraîné NE DOIVENT PAS être commit.
• Seul signature.txt doit être présent.

---

🧪 1. Dataset Analysis — Distribution.py

Objectifs :

• Explorer la structure du dataset
• Calculer la répartition par maladies
• Générer pie charts & bar charts
• Le programme doit fonctionner avec toutes les plantes du dataset
• Le nom des colonnes doit correspondre exactement au nom des dossiers des classes
• Les images doivent être correctement détectées même si les chemins contiennent des espaces

Exemple d’exécution :

poetry run python scripts/Distribution.py ./Apple

Répartition des images par catégories pour la plante Apple.
Utilisé pour analyser l’équilibre du dataset avant augmentation.

---

🔄 2. Data Augmentation — Augmentation.py

Objectifs :

• Équilibrer les classes
• Appliquer ≥ 6 augmentations :
  • Flip, Rotate, Skew, Shear, Crop, Distortion
• Les images augmentées doivent être enregistrées dans le même dossier que l’original
• Une fois l’augmentation terminée, un dataset équilibré doit être produit dans :

augmented_directory/

Exemple :

poetry run python scripts/Augmentation.py ./Apple/apple_healthy/image.jpg

Exemples des 6 augmentations appliquées (Flip, Rotate, Skew, Shear, Crop, Distortion) sur une feuille healthy de la classe apple_healthy.

---

🎨 3. Image Transformation — Transformation.py

Transformations possibles :

• Gaussian blur
• Mask
• ROI
• Object analysis
• Pseudolandmarks
• Color histograms
• Le script doit accepter une seule image (affichage)
• Et un dossier complet (sauvegarde des résultats dans un dossier destination)
• Une aide doit être disponible via :

Exemples :

poetry run python scripts/Transformation.py ./Apple/apple_healthy/image.jpg

Pipeline des transformations appliquées : original, Gaussian blur, mask, ROI objects,
analyse d’objet, pseudolandmarks et histogramme de couleurs.

Batch mode :

poetry run python scripts/Transformation.py -src ./Apple/apple_healthy -dst out/

---

🧠 4. Classification — train.py

Objectifs :

• Entraîner un CNN
• Gérer train/validation
• Atteindre ≥ 90 % accuracy
• Exporter un .zip conforme au sujet
• Le modèle doit être entraîné sur un dataset équilibré et transformé
• Le set de validation doit contenir au moins 100 images
• Le .zip final doit contenir :
  • le modèle entraîné
  • les images nécessaires
  • toutes les métadonnées utiles pour recharger le modèle
• Le modèle doit pouvoir être rechargé uniquement à partir du .zip

Commande :

poetry run python scripts/train.py ./Apple

---

🔍 5. Prediction — predict.py

poetry run python scripts/predict.py ./Apple/apple_healthy/image.jpg

Exemple complet du script predict.py :
image originale (gauche), image transformée (droite)
→ Classe prédite : peach_bacterial_spot.

Affiche :

• image originale

• transformation

• prédiction

• L’image prédite doit appartenir à une plante utilisée pour l’entraînement

• Le script doit afficher la classe prédite de manière lisible

---

🔐 6. Signature SHA1 — signature.txt

sha1sum leaffliction_dataset_model.zip

Copier la valeur dans :

signature.txt

⚠️ Mismatch = note 0.

• Le .zip doit inclure exactement :
  • le dataset préparé (augmenté et transformé)
  • le modèle entraîné
  • les fichiers nécessaires à la prédiction
• Le hash SHA1 fourni doit correspondre exactement au .zip utilisé pendant la soutenance
• Toute différence → 0 point

---

🧩 Norme Python (42)

Le sujet impose :

pip install flake8
alias norminette_python="flake8"

Vérifier la norme 42 Python

norminette_python src/ scripts/

flake8 est requis pour le module 42, même si le projet utilise aussi ruff, black, mypy, bandit & mutmut pour une qualité industrielle.

---

🛠️ Installation & environnement Poetry

1. Cloner

git clone https://github.com/raveriss/Leaffliction
cd Leaffliction

2. Installer

poetry install

3. Activer

poetry shell

ou :

poetry run <commande>

---

▶️ Exemples de commandes

Analyse :

poetry run python scripts/Distribution.py ./Apple

Augmentation :

poetry run python scripts/Augmentation.py ./Apple/apple_healthy/image.jpg

Transformations :

poetry run python scripts/Transformation.py -src ./Apple/apple_healthy -dst out/

Training :

poetry run python scripts/train.py ./Apple

Prediction :

poetry run python scripts/predict.py ./Apple/apple_healthy/image.jpg

---

✅ Qualité logicielle

⚠️ Toute erreur, crash, exception Python, ou arrêt inattendu dans un des scripts
entraîne l’arrêt immédiat de l’évaluation (note potentiellement 0).

Tests :

poetry run pytest

Coverage :

poetry run pytest --cov=leaffliction --cov-report=term-missing

Mutation testing :

poetry run mutmut run

Lint:

poetry run ruff check src tests

Format :

poetry run black src tests

Typing :

poetry run mypy src

Sécurité :

poetry run bandit -r src

Pre-commit :

poetry run pre-commit run --all-files

---

📚 Stack technique

• Langage & packaging

  • Python 3.10+
  • Poetry (gestion des dépendances & scripts)

• Computer Vision & ML

  • PyTorch (CNN de classification)
  • NumPy / Pandas
  • Pillow / OpenCV / PlantCV

• Tests & qualité

  • pytest, coverage, Codecov
  • flake8 (norme 42 via norminette_python)
  • ruff, black, mypy
  • mutmut (mutation testing)
  • bandit (analyse de sécurité)
  • pre-commit (orchestration des hooks)

• CI/CD

  • GitHub Actions (lint + tests + coverage + upload Codecov)

---

🎯 Objectifs pédagogiques

• Pipeline complet de Computer Vision
• Data augmentation avancée
• CNN robuste avec >90% accuracy
• Projet reproductible via Poetry
• CI/CD & qualité logicielle niveau entreprise

---

© Licence

MIT License.

---

👤 Auteur

Rafael Verissimo
Étudiant IA/Data — École 42 Paris
GitHub : https://github.com/raveriss
LinkedIn : https://www.linkedin.com/in/verissimo-rafael/