WildAIprint — Classification d'empreintes animales par Réseau Convolutif (ResNet50) & API Flask

Identifier avec certitude les traces d'animaux sauvages sur le terrain pose un défi complexe en vision par ordinateur : les empreintes sont imprimées sur des substrats hétérogènes (terre meuble, boue, neige, feuilles mortes), soumises à de fortes variations d'éclairage et fréquemment altérées par l'érosion.

Pour construire un modèle robuste, le jeu de données regroupe 1 500 images réparties sur 13 espèces animales (Castor 96, Chat 108, Chien 144, Coyote 126, Écureuil 114, Lapin 66, Loup 108, Lynx 144, Ours 132, Puma 132, Rat 60, Raton laveur 138, Renard 132). Un pipeline rigoureux de nettoyage automatisé a été mis en œuvre : suppression des fichiers corrompus et élimination des doublons par hachage MD5.

La préparation s'appuie sur un split reproductible 80% entraînement / 20% validation (batch 16, graine fixe 12). Une stratégie d'augmentation de données complète l'apprentissage : enrichissement offline (rotations, symétries, variations d'exposition) et couches Keras d'augmentation à la volée (RandomFlip, RandomZoom, RandomBrightness) pour garantir une invariance maximale aux conditions de prise de vue.

Pour surpasser les limites d'un réseau convolutif entraîné from scratch sur un dataset spécialisé, le système adopte un backbone ResNet50 pré-entraîné sur ImageNet (sans top classifier). Les images RGB 256×256 sont traitées par une tête dense personnalisée associant GlobalAveragePooling2D, une couche de régularisation Dropout(0.5), une couche Dense(128, activation='relu') suivie d'un Dropout(0.3) et d'une sortie Dense(13, softmax).

L'optimisation s'est articulée en deux phases méthodiques : d'abord le gel du backbone pour entraîner exclusivement la tête de classification (optimiseur Adam, learning rate 1e-3), puis un fine-tuning contrôlé en dégelant les 30 dernières couches de ResNet50 avec un pas d'apprentissage très fin (lr=1e-5) et un callback EarlyStopping.

L'ensemble des expérimentations a été instrumenté via MLflow Tracking (autolog Keras), avec équilibrage dynamique des poids (compute_class_weight) pour compenser les classes minoritaires (Rat, Lapin) et scheduler ReduceLROnPlateau. Le modèle atteint une précision de validation de 83% avec des courbes d'apprentissage et de loss parfaitement parallèles et stables, confirmant l'absence de surapprentissage.

Pour être véritablement exploitable par des agents de protection de la faune ou des naturalistes sur le terrain, l'outil ne pouvait pas dépendre d'une connexion internet ou d'un service cloud distant. Les artefacts générés (model.keras pour les poids et class_names.json pour le mapping ordonné des classes) sont chargés en mémoire au démarrage d'une API web autonome sous Flask.

L'ensemble du système (serveur Flask, moteur d'inférence TensorFlow/Keras, base SQLite pour l'historique des relevés géolocalisés) est conteneurisé via Docker Compose. Une simple commande permet de déployer l'environnement complet de manière reproductible et isolée, garantissant un temps de réponse moyen inférieur à 80 millisecondes par requête d'inférence sur CPU standard.