Skip to content

dossier_tech.md

Latest commit

 

History

History
54 lines (40 loc) · 2.82 KB

dossier_tech.md

File metadata and controls

54 lines (40 loc) · 2.82 KB

Dossier Technique : Open Insect ID

1. Présentation Globale

Open Insect ID est une application desktop intelligente développée en Python dédiée à l'identification automatisée d'insectes.

Points clés

  • Faciliter la reconnaissance des insectes pour les amateurs de nature.
  • Utilisation d'un modèle d'apprentissage automatique (Deep Learning).
  • Intégration de données scientifiques via l'API GBIF (Global Biodiversity Information Facility).

2. Architecture Technique

Cœur du Système

  • Modèle IA Classifier : Architecture MobileNetV3 exportée au format ONNX.
  • Classification : Approche taxonomique hiérarchique (Ordre > Famille > Genre > Espèce).
  • Interface Graphique : Développée avec CustomTkinter pour une expérience utilisateur moderne et intuitive.

Connectivité Mobile (Mobile Connect)

Pour pallier les limitations des frameworks Python sur mobile (Kivy, Flet), nous avons implémenté une solution hybride :

  • Serveur Backend : API légère via Flask intégrée à l'application Desktop.
  • Interface Mobile : PWA ou interface web accessible via QR Code, permettant l'envoi direct de photos depuis la caméra du smartphone vers l'ordinateur via le réseau local.

3. Organisation de l'Équipe

  • Yoann :
    • Préparation du dataset (nettoyage, filtrage iNaturalist 2021).
    • Entraînement et optimisation du modèle sur Kaggle (Data Augmentation).
    • Exportation et intégration du modèle ONNX.
  • Clovis & Lucas :
    • Conception de l'architecture logicielle Python.
    • Développement de l'interface graphique (GUI).
    • Intégration des APIs externes (GBIF, Wikipedia).
    • Implémentation du système de communication Flask/Mobile.

4. Étapes de Développement

  1. Phase IA : Filtrage du dataset iNaturalist (extraction des insectes uniquement) et itérations d'entraînement pour atteindre une précision de 77%.
  2. Prototypage : Validation du moteur d'inférence ONNX via des scripts simplifiés.
  3. Core Logic : Développement des modules de preprocessing d'images et de configuration globale.
  4. Enrichissement de Données :
    • Abandon de la géolocalisation interne (trop lourde/imprécise).
    • Migration vers l'API GBIF pour des cartes de distribution dynamiques et précises.
    • Intégration de galeries visuelles et fiches Wikipedia.
  5. Optimisation : Correction de bugs, amélioration du temps de prédiction et polissage de l'interface (icônes, ergonomie).

En marge du programme NSI, une application native Kotlin a été développée par Clovis à des fins de tests comparatifs. Elle permet une exécution 100% locale du modèle sur Android, bien que les fonctionnalités d'enrichissement (cartes, biographie) restent pour l'instant l'exclusivité de la version Desktop.