feat: update .gitignore, add CONTRIBUTING.md and LICENSE, restructure project files, and implement data preparation script for Colab

Author: kjd-dktech

.github/workflows/ci.yml

@@ -0,0 +1,40 @@
+name: CI AgbleDɔ̀
+
+on:
+  push:
+    branches:
+        - develop
+        - main
+  pull_request:
+    branches:
+        - develop
+        - main
+
+jobs:
+  lint-and-test:
+    name: Lint & Test
+    runs-on: ubuntu-latest
+
+    steps:
+      - name: Checkout du code
+        uses: actions/checkout@v4
+
+      - name: Configuration de Python 3.14
+        uses: actions/setup-python@v5
+        with:
+          python-version: "3.14"
+          allow-prereleases: true
+          cache: "pip"
+
+      - name: Installation des dépendances
+        run: |
+          python -m pip install --upgrade pip
+          pip install -e .[dev]
+
+      - name: Vérification du formatage et Linting avec Ruff
+        run: |
+          ruff check src/ tests/ app/ api/
+
+      - name: Exécution des tests unitaires avec Pytest
+        run: |
+          pytest tests/

.gitignore

@@ -1,30 +1,19 @@
 # Ambiances et environnements
-.github/
 agbledɔ01venv/
 .env
 
 # Python
 .pip-cache
 __pycache__/
-*.py[cod]
-*$py.class
-*.so
 .pytest_cache/
 
-# Jupyter
-.ipynb_checkpoints/
-
 # MLOps et Tracking d'expériences
 mlruns/
-wandb/
 runs/
 logs/
 
 # Données
-data/*
-!data/processed/
-data/processed/*
-!data/processed/data_summary.csv
+data/
 
 # Fichiers de modèles
 models/

CONTRIBUTING.md

@@ -0,0 +1,139 @@
+# Guide de Contribution
+
+Merci de votre intérêt pour **AgbleDɔ̀** !
+
+Ce projet vise à développer une solution open source de détection automatique des maladies végétales tropicales à l'aide de l'intelligence artificielle. Toute contribution est la bienvenue : amélioration du code, correction de bugs, documentation, tests, optimisation des modèles ou nouvelles fonctionnalités.
+
+## Comment contribuer
+
+### 1. Signaler un problème
+
+Si vous identifiez un bug, une incohérence ou une amélioration possible :
+
+1. Vérifiez qu'un ticket similaire n'existe pas déjà dans les Issues.
+2. Ouvrez une nouvelle Issue en décrivant :
+
+   * le problème observé ;
+   * les étapes permettant de le reproduire ;
+   * le comportement attendu ;
+   * votre environnement de travail (OS, Python, versions des dépendances).
+
+## 2. Proposer une amélioration
+
+Les propositions suivantes sont particulièrement encouragées :
+
+* amélioration des performances du modèle ;
+* ajout de nouvelles cultures ou maladies ;
+* optimisation du pipeline de traitement des données ;
+* amélioration de l'explicabilité (Grad-CAM, visualisations, interprétabilité) ;
+* développement de l'API FastAPI ;
+* développement de l'interface Streamlit ;
+* amélioration de la documentation ;
+* ajout de tests automatisés.
+
+## 3. Workflow Git
+
+1. Forkez le dépôt.
+2. Créez une branche dédiée :
+
+```bash
+git checkout -b feature/nom-de-la-fonctionnalite
+```
+
+ou
+
+```bash
+git checkout -b fix/description-du-correctif
+```
+
+3. Effectuez vos modifications.
+4. Ajoutez ou mettez à jour les tests si nécessaire.
+5. Vérifiez que les tests passent.
+6. Commitez vos changements :
+
+```bash
+git commit -m "feat: ajout de ..."
+```
+
+7. Poussez votre branche :
+
+```bash
+git push origin feature/nom-de-la-fonctionnalite
+```
+
+8. Ouvrez une Pull Request.
+
+## Standards de développement
+
+### Configuration de l'environnement (Python 3.14)
+
+Nous utilisons **Python 3.14**. Pour contribuer efficacement :
+1. Créez votre environnement virtuel (`python3.14 -m venv venv` puis `source venv/bin/activate`).
+2. Installez les dépendances (`pip install -r requirements.txt`).
+3. Installez les outils de qualité de code (`pip install pytest ruff`).
+
+### Qualité du code (Linting et Tests)
+
+Afin d'assurer une base de code propre et maintenable, nous utilisons **Ruff** (un linter/formateur ultra-rapide) et **Pytest**.
+
+Avant de soumettre une Pull Request, exécutez systématiquement :
+
+```bash
+# Pour formater le code automatiquement
+ruff format src/ tests/
+
+# Pour vérifier les standards (linting)
+ruff check src/ tests/
+
+# Pour exécuter les tests automatisés
+pytest tests/
+```
+
+Les contributions qui ajoutent de nouvelles fonctionnalités doivent inclure des tests associés dans le dossier `tests/`.
+
+### Format des Pull Requests
+
+Lors de l'ouverture d'une Pull Request, merci d'inclure :
+- Un lien vers l'Issue correspondante (si applicable).
+- Une description claire du problème résolu ou de la fonctionnalité ajoutée.
+- La confirmation que `ruff check` et `pytest` passent sans erreur localement.
+
+## Structure du projet
+
+```text
+api/            API FastAPI
+app/            Interface utilisateur
+configs/        Fichiers de configuration
+data/           Jeux de données
+models/         Modèles entraînés
+notebooks/      Expérimentations et analyses
+src/            Scripts et Code source
+tests/          Tests automatisés
+```
+
+## Données et modèles
+
+Les contributeurs doivent respecter les licences associées aux jeux de données utilisés.
+
+Les poids du modèle principal sont distribués séparément lorsque nécessaire.
+
+Toute contribution impliquant un nouveau jeu de données doit documenter :
+
+* la source ;
+* la licence ;
+* la méthode de collecte ;
+* les éventuels prétraitements réalisés.
+
+## Licence
+
+En contribuant à ce projet, vous acceptez que votre contribution soit distribuée sous la même licence que le projet.
+
+## Code de conduite
+
+Les échanges doivent rester respectueux, constructifs et bienveillants.
+
+Les comportements discriminatoires, insultants ou harcelants ne sont pas tolérés.
+
+## Remerciements
+
+Merci à toutes les personnes qui contribuent à rendre les technologies d'IA plus accessibles au service de l'agriculture africaine.

LICENSE

@@ -0,0 +1,20 @@
+MIT License
+
+Copyright (c) 2026 Kodjo Jean DEGBEVI
+
+Permission is hereby granted, free of charge, to any person obtaining a copy
+of this software and associated documentation files (the "Software"), to deal
+in the Software without restriction, including without limitation the rights
+to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
+copies of the Software, and to permit persons to whom the Software is
+furnished to do so, subject to the following conditions:
+
+The above copyright notice and this permission notice shall be included in all copies or substantial portions of the Software.
+
+THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
+IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
+FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
+AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
+LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
+OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
+SOFTWARE.

README.md

@@ -9,39 +9,67 @@ Le projet se concentre sur deux problèmes agricoles fondamentaux documentés au
 
 L'objectif de cette solution est de permettre une surveillance scalable sur téléphones mobiles, s'appuyant sur des travaux de recherche locaux (ESA/Université de Lomé).
 
+## Sources de Données
+Pour des raisons de volumétrie, le répertoire `data/raw/` n'est pas versionné. Néanmoins, l'intégralité de la méthodologie de préparation et de traitement des données est publique et reproductible (voir `notebooks/` et `src/data/`). Les données s'appuient sur :
+- **PlantVillage** : Référence scientifique en conditions contrôlées.
+- **CCMT (Cassava & Maize)** : Données acquises en conditions réelles, incluant les maladies documentées localement.
+
+## Bibliographie
+Ce projet justifie ses classes et hypothèses par la littérature ouest-africaine :
+- **Adjata K.D. et al. (2008)**. *Incidence of Cassava Viral Diseases ... in Togo*. American Journal of Plant Physiology.
+- **Koffi D., Agboka K. et al. (2020)**. *Maize Infestation of Fall Armyworm within Agro-Ecological Zones of Togo and Ghana*. Environmental Entomology.
+
 ## Structure du Projet
 
 - `data/` : Répertoire des données (brutes et traitées).
 - `notebooks/` : Notebooks Jupyter.
 - `src/` : Scripts de traitement des données, configuration du modèle et modules spécialisés.
-- `api/` : Code de l'API de prédiction.
-- `app/` : Interface utilisateur web.
 - `configs/` : Fichiers YAML gérant les hyperparamètres et métadonnées du dataset.
 - `models/` : Poids entraînés du modèle final (Hébergés ultérieurement).
+- `runs/` : Expériences YOLO
+- `mlruns` : Expériences MLFlow
+- `tests/` : Tests
 
 ## Pipeline Technique
 
 - **Modèle de Vision** : YOLOv11s (Ultralytics) — performant et optimisé.
-- **Tracking Expérimental** : Expériences versionnées et suivies via [Weights & Biases (W&B)](#).
-- **Explicabilité** : Localisation des zones de prédiction via pytorch-grad-cam pour la confiance utilisateurs.
+- **Tracking Expérimental** : Expériences versionnées et suivies via [MLFLow](#).
+- **Explicabilité** : Localisation des zones de prédiction via Grad CAM pour la confiance utilisateurs.
 - **Déploiement** : 
   - API : Asynchrone sous FastAPI, packagée via Docker.
   - IHM : Interface finale servie par Streamlit pour un accès multi-support rapide.
 
-## Guide de Démarrage
+## Réalisations
+
+### Plan de réalisation 
+
+#### Développement du modèle
+- [x] Traitement des données
+- [x] Architecture ML
+- [x] Entraînement du classifieur
+- [x] Évaluation formelle du classifieur
+- [] Explicabilité du classifieur
+- [] Benchmarks
+
+#### Industrialisation
+- [ ] Export ONNX
+- [ ] Développement de l'API
+- [ ] Interface IHM
+- [ ] Conteneurisation (Docker)
+
+#### Mise en production
+- [ ] Déploiement
+- [ ] Monitoring
+- [ ] Maintenance
+
+#### Documentation
+- [ ] Documentation technique
+- [ ] Guide utilisateur
+- [ ] Documentation API
 
-### Pré-requis
-- Docker et Docker Compose
-- Python 3.1x+ pour exécution classique 
+### Résultats actuels
 
-### Installation classique
-Cloner le répertoire et instancier votre environnement virtuel :
-```bash
-git clone <url-du-repo>
-cd AgbleDo_01
-python -m venv agbledɔ01venv #ou source agbledɔ01venv/bin/activate
-pip install -r requirements.txt
-```
+- Modèle `agbledɔ01.pt` disponible sur [Hugging Face](https://huggingface.co/kjd-dktech/agbledo01)
 
 ---
 

configs/model.yaml

@@ -18,13 +18,6 @@ lr0: 0.01            # Taux d'apprentissage initial
 lrf: 0.01            # Taux d'apprentissage final (lr0 * lrf)
 weight_decay: 0.0005 # L2 regularization
 
-# --- Documentation du Class Weighting ---
-# J'ai calculé le déséquilibre lors de l'EDA: 1:10 environ.
-# Ultralytics (YOLO) calcule automatiquement les poids de classes via la fréquence
-# d'occurrence dans les données d'entraînement. 
-# En l'absence de paramètre explicite comme `class_weights` en v11 via CLI, 
-# la Focal Loss implicite et l'augmentation de données gèrent une grande partie du biais.
-
 # --- Data Augmentation ---
 hsv_h: 0.015         # Ajustement teinte (HSV)
 hsv_s: 0.7           # Ajustement saturation