Agri-vision-kivu

• 

  Voici la plante pour faire l'essai.

​À propos d'Agri-Vision Kivu ​🌟 Inspiration ​Vivant au Sud-Kivu (RDC), nous avons constaté un paradoxe tragique : une terre extrêmement fertile mais des agriculteurs qui perdent jusqu'à 60% de leurs récoltes. L'absence d'experts agronomes sur le terrain laisse les maladies (mosaïque, mildiou) dévaster les champs. Notre inspiration vient de la volonté de mettre la puissance de l'IA Google Gemini 3 au service du petit agriculteur de Bukavu. ​🛠️ Construction du projet ​Le projet repose sur une architecture 100% Google Cloud : ​Interface : Développée avec Streamlit (Python) pour une accessibilité mobile rapide. ​Cerveau (IA) : Intégration du modèle multimodal Gemini 1.5 Pro via Google AI Studio. ​Logique : Le système analyse les pixels de l'image pour identifier les motifs pathogènes. ​Nous avons utilisé des principes de probabilité pour valider la confiance du diagnostic, représentée par la formule :

Probabilité utilisé : P(M | I) = \frac{P(I | M) P(M)}{P(I)} Où M est la maladie et I l'image capturée. 📚 Ce que nous avons appris Nous avons découvert la puissance du raisonnement multimodal. Apprendre à "prompter" une IA pour qu'elle ne donne pas seulement un nom latin de maladie, mais qu'elle propose des remèdes locaux (cendre de bois, purin de neem) a été une révélation technique et sociale. ⚠️ Difficultés rencontrées Le plus grand défi a été la gestion des erreurs de disponibilité régionale (404) et les limitations de quota de l'API en version bêta. Nous avons dû implémenter une logique de fallback (basculement) entre les modèles Flash et Pro pour garantir que l'agriculteur reçoive toujours une réponse, même avec une connexion internet instable. Lien du projet : Agri-Vision Kivu Technologies : Google Gemini 3, Python, AI Studio.

Built With

• google-ai-studio
• google-cloud
• google-gemini-3
• pillow-(pil)
• python
• streamlit