Plant Diseases Training Dataset
Un large corpus d’images de feuilles de plantes atteintes ou non de maladies, compilé à partir de plusieurs sources agricoles ouvertes. Parfait pour entraîner des modèles de classification ou détection de maladies en agriculture.
116 000 images JPEG, classées par type de plante et maladie
CC0: Public Domain
Description
Le dataset Plant Diseases Training Dataset regroupe plus de 116 000 images de feuilles de plantes issues de plusieurs sources agricoles. Chaque sous-dataset cible une culture spécifique (pomme de terre, riz, manioc, pomme, vigne…) et propose des images annotées selon la pathologie visible sur la feuille. C’est un ensemble idéal pour les projets en vision par ordinateur dans le secteur agricole.
À quoi sert ce dataset ?
- Développer des modèles d’IA capables de détecter automatiquement des maladies végétales à partir d’images
- Améliorer la gestion phytosanitaire dans les exploitations agricoles
- Servir de base à une application mobile d’aide au diagnostic
Peut-on l’enrichir ou l’améliorer ?
Oui. Il est possible d’ajouter des métadonnées (lieu, type de culture, niveau de gravité), d’annoter les contours exacts des lésions (segmentation) ou d’augmenter les données par synthèse (data augmentation). On peut aussi croiser ces données avec des capteurs météo pour des modèles prédictifs plus riches.
🔎 En résumé
🧠 Recommandé pour
- Ingénieurs agronomes
- Chercheurs IA appliquée
- Projets de détection de maladies sur mobile
🔧 Outils compatibles
- TensorFlow
- Keras
- PyTorch
- FastAI
- Roboflow
💡 Astuce
Utilisez une approche de data augmentation ciblée (flips, bruit, variation de teinte) pour renforcer la robustesse de vos modèles.
Questions fréquemment posées
Le dataset est-il déjà prêt pour l’entraînement ?
Oui, les images sont classées par dossier correspondant à chaque maladie, ce qui facilite l'entraînement avec des frameworks comme Keras ou PyTorch.
Existe-t-il des annotations précises comme des bounding boxes ou masques ?
Non, il s’agit uniquement de classification globale par image. Pour la détection ou segmentation, une annotation supplémentaire est nécessaire.
Le dataset couvre-t-il plusieurs espèces de plantes ?
Oui, il inclut des images de manioc, pomme de terre, pomme, riz, vigne, canne à sucre et bien d’autres cultures.
