Aller au contenu

Perception des plantes · modèle de recherche

Des images de cultures aux prédictions évaluables.

Notre classificateur visuel adapte un encodeur d’images DINOv2 aux photographies de terrain et produit des prédictions structurées de problèmes végétaux. Les équipes de recherche peuvent examiner la version du modèle, les scores et les abstentions pour leur propre tâche. Le banc d’essai ci-dessous établit le point de départ de ce produit.

Voir les résultats mesurés

Banc d’essai

Où en est le modèle.

Notre modèle46%
Modèle de référence hébergé80%
Problème bien nommé · 50 photos, 21 fermesIntervalle à 95 % de l’écart: de 15 à 56 points · Mesuré le 27 octobre 2026

Chaque photo jugée dans cette comparaison avait été signalée par un modèle hébergé. Les confirmations reprennent le nom du problème proposé par ce modèle, ce qui le favorise. Les problèmes manqués ne sont pas mesurés. Le comparateur regroupe les versions ayant analysé chaque photo à l’origine.

L’intervalle à 95 % rééchantillonne les fermes, pas les photos individuelles. Le rapport consigne huit évaluations des fermes exclues de l’entraînement, y compris des reproductions et de nouvelles analyses. Ces examens répétés et le petit échantillon limitent la portée du résultat.

L’apprentissage des corrections reste à résoudre

Dans un diagnostic distinct sur les groupes de sélection, le modèle a donné le nom corrigé pour 0 des 42 photos corrigées par des personnes. Ces photos ne font pas partie du banc d’essai ci-dessus. Les étiquettes expertes et l’entraînement sur les résultats sont les prochaines expériences, pas une solution démontrée.

Télécharger les résultats agrégés du test · JSON

Résultats agrégés sans renseignements privés du rapport produit le 27 octobre 2026. Révisés le 4 novembre 2026; aucun nouveau banc d’essai exécuté.

Prochaine mesure

Évaluer un échantillon aléatoire annoté par des spécialistes, puis tester l’apport des interventions et des suivis. Date non fixée.

Résultat préliminaire d’un seul entraînement affiné sans sélection de réglages. Le nom du problème a été évalué sur 50 photos de problèmes réels jugées par des personnes, provenant de 21 fermes exclues de l’entraînement.
MesureValeur
Jeu d’évaluation50 photos · 21 fermes exclues de l’entraînement
Notre modèle23 sur 50 · 46 %
Modèle de référence hébergé40 sur 50 · 80 %
Avantage du modèle hébergé34 points de pourcentage
Intervalle à 95 % de l’écart, rééchantillonné par fermede 15 à 56 points
Accord avec les étiquettes hébergées, pas la précisionAUROC de 0,91 · 11 catégories · 2 704 photos
Mesuré le27 octobre 2026

Service d’inférence de recherche

Une prédiction exploitable par votre logiciel.

Le moteur privé renvoie une référence de photo, la version du modèle, les scores par problème et une décision explicite d’abstention. Ces champs permettent de comparer les prédictions, de retrouver le modèle qui les a produites et de signaler les cas à examiner. Le contrat de l’API est documenté. L’accès client reste en développement.

Référence technique

Recherche sur un modèle portable

Rapprocher l’inférence de la collecte.

Un export ONNX local constitue un point de départ pour exécuter le modèle là où les images sont prises. L’objectif est une inférence de terrain moins dépendante de la connexion. L’intégration au téléphone, la précision après export et la latence sur l’appareil restent à valider.

Latence par photo
Pas encore mesurée sur l’appareil
Format
ONNX, 16 catégories de plantes et de sites
fichier examiné le 4 nov. 2026

Inférence auto-hébergée · revue experte

Consigner aussi l’incertitude.

Le produit vise à associer notre propre modèle de vision entraîné à une revue experte. Le moteur de recherche expose déjà l’abstention. La prochaine étape consiste à valider l’utilité de ces signaux pour les personnes qui examinent les photos, puis à mesurer l’apport de suivis vérifiés aux prédictions.

Résultats du modèle versionnés

Le moteur exécute un modèle enregistré avec PyTorch ou ONNX en local. Sa réponse structurée inclut l’identifiant du modèle et les scores pour permettre la traçabilité et la comparaison des résultats.

Revue experte des cas incertains

Le parcours visé présente les cas incertains à une personne, conserve ses corrections et relie les observations ultérieures. Le temps de revue, les problèmes manqués et l’apport de modèles supplémentaires restent à mesurer.

Intégration de recherche

Définir une évaluation privée de votre modèle.

Précisez la décision de croissance, de santé ou de récolte que votre modèle doit éclairer. Nous conviendrons d’une référence, mesurerons les erreurs et préciserons où les observations sont insuffisantes. Votre équipe recevra un rapport privé.

Décrivez à Charles votre modèle, le format des entrées et le critère de réussite proposé. Nous convenons du mandat d’évaluation privée avant tout échange de modèle ou de matériel sensible.

charles@microhabitat.ca
Écrire à Charles

Votre application de courriel s’ouvre. Ce site n’envoie aucun message.

Assistant du site

Que souhaitez-vous savoir?

Posez vos questions sur notre modèle agricole, le Farm Bot ou nos évaluations de terrain.

Entrée pour envoyer · Maj + Entrée pour un saut de ligne

Anthropic reçoit votre question, les messages utiles de cette conversation et les extraits utiles à la réponse. Confidentialité