PlanktonFlow : hands-on deep-learning classification of plankton images for biologists

PlanktonFlow est une pipeline Python open source conçue pour permettre aux biologistes de classifier facilement des images de plancton en automatisant le prétraitement, l'entraînement et l'optimisation de modèles d'apprentissage profond, dont EfficientNet-B5 qui s'est avéré surpasser les autres architectures ainsi que l'outil de référence EcoTaxa.

L'essentiel

🌊 PlanktonFlow : Le Traducteur Automatique pour les Microbes de l'Eau

Imaginez que vous êtes un biologiste qui étudie la vie dans un lac. Aujourd'hui, grâce à des caméras ultra-puissantes (comme le FlowCAM), vous pouvez prendre des millions de photos de l'eau. C'est comme si vous aviez un robot qui vous filtrait l'océan et vous donnait une photo chaque seconde.

Le problème ?
C'est une catastrophe de photos ! Il y en a des millions. Regarder chaque image à la main pour dire "Ah, c'est une algue", "Non, c'est un petit crustacé" prendrait des années. C'est comme essayer de trier une montagne de Lego de toutes les couleurs, un par un, à la main.

Les biologistes utilisent déjà un outil appelé EcoTaxa (un peu comme un assistant intelligent), mais il a ses limites. Il est parfois lent, et surtout, il est difficile de savoir à quel point il a raison ou tort quand il devine tout seul sans qu'un humain ne vérifie.

D'un autre côté, il existe des super-intelligences artificielles (l'IA) capables de reconnaître des chats ou des voitures en une fraction de seconde. Mais pour les biologistes, utiliser ces IA est comme essayer de réparer une Ferrari avec un marteau : les codes sont trop compliqués, les outils trop techniques, et personne ne sait comment les installer.

La solution : PlanktonFlow
C'est là qu'intervient l'équipe de Hugo Walter et son équipe. Ils ont créé PlanktonFlow.

Imaginez PlanktonFlow comme une boîte à outils magique "clé en main".
Au lieu de devoir être un expert en informatique pour utiliser l'IA, PlanktonFlow est un chef d'orchestre qui fait tout le travail sale pour vous. Il prend vos photos de plancton et les transforme en connaissances biologiques en quatre étapes simples :

1. Le Nettoyage (Préparation) :
   Imaginez que vos photos ont parfois des étiquettes de prix collées dessus ou sont mal cadrées. PlanktonFlow nettoie tout ça automatiquement. Il enlève les "scale bars" (les petites règles de mesure sur les images) pour que l'IA ne se trompe pas en pensant que la règle fait partie de l'animal.

2. L'Entraînement (La Gymnastique) :
   C'est le cœur du système. PlanktonFlow ne se contente pas d'utiliser une seule intelligence. Il entraîne quatre champions différents (des modèles d'IA appelés ResNet, DenseNet, EfficientNet et YOLO).

   • L'analogie : C'est comme si vous organisiez un tournoi de tennis entre quatre joueurs différents pour voir qui gagne le plus de matchs contre vos photos de plancton.
   • Il utilise une technique spéciale pour s'assurer que l'IA ne se concentre pas seulement sur les animaux les plus communs (comme les moustiques), mais qu'elle apprend aussi à reconnaître les espèces rares (comme les papillons de nuit), en leur donnant plus d'attention pendant l'apprentissage.

3. Le Choix du Meilleur (La Compétition) :
   Une fois les quatre champions entraînés, PlanktonFlow regarde les résultats et dit : "Tiens, EfficientNet est le grand gagnant aujourd'hui !". Il vous donne les statistiques précises pour que vous sachiez exactement à quel point votre nouveau système est fiable.

4. L'Action (La Prédiction) :
   Maintenant, vous pouvez lancer PlanktonFlow sur de nouvelles photos. Il les analyse instantanément et vous dit : "Ceci est un copépode, ceci est une diatomée".

🏆 Les Résultats : Qui a gagné ?

L'équipe a testé leur boîte à outils sur des échantillons d'eau douce réels (avec des crevettes invasives, des algues, etc.).

• Le vainqueur incontesté : Le modèle EfficientNet. Il a été le plus précis, battant même l'outil standard EcoTaxa.
• La surprise : L'outil standard EcoTaxa (utilisé par beaucoup de biologistes) a fait un travail décent, mais il a été largement dépassé par les nouvelles IA optimisées. C'est comme comparer un vélo ancien à une voiture de course moderne : les deux vont, mais l'un est beaucoup plus rapide et précis.
• Leçon apprise : L'IA ne fonctionne pas "magiquement" avec n'importe quel réglage. Il faut "tuner" les boutons (comme le volume ou la sensibilité d'un appareil photo) pour qu'elle fonctionne parfaitement sur vos photos spécifiques. PlanktonFlow fait ce réglage automatique pour vous.

🚀 Pourquoi c'est génial pour tout le monde ?

Avant, seuls les experts en informatique pouvaient utiliser ces technologies de pointe. PlanktonFlow change la donne :

• C'est gratuit et ouvert : Tout le monde peut l'utiliser.
• C'est facile : Pas besoin de coder. Vous suivez un mode d'emploi simple.
• C'est adaptable : Que vous étudiiez le plancton, des insectes ou des cellules, la boîte à outils peut être adaptée.

En résumé :
PlanktonFlow est le pont qui permet aux biologistes de passer de la "montagne de photos" à la "science précise" sans avoir besoin de devenir des ingénieurs en informatique. C'est une révolution pour comprendre la biodiversité de nos océans et rivières, plus vite et mieux que jamais.

Résumé technique

1. Problématique

L'acquisition d'images à haut débit via des capteurs modernes (comme FlowCAM, UVP, FlowCytobot) a considérablement augmenté la capacité à surveiller la biodiversité aquatique. Cependant, l'exploitation de ces volumes massifs de données se heurte à plusieurs obstacles majeurs pour les biologistes :

• Complexité technique : Les modèles d'apprentissage profond (Deep Learning) performants sont difficiles à mettre en œuvre pour des utilisateurs non-spécialistes en informatique.
• Limites des outils existants : Les logiciels fournis avec les instruments nécessitent une curation manuelle lourde. La plateforme standard EcoTaxa, bien que conviviale, repose sur des forêts aléatoires et manque de métriques de performance robustes en mode "prédiction pure" (sans validation oculaire), ce qui rend difficile l'évaluation de sa fiabilité sur de grands jeux de données.
• Obstacles à l'adoption du Deep Learning : Les scripts de recherche existants sont souvent mal documentés, dépendants de logiciels propriétaires, ou manquent de routines essentielles comme le prétraitement d'images (suppression des barres d'échelle) et l'augmentation des classes rares.
• Déséquilibre des classes : Les échantillons écologiques naturels présentent un fort déséquilibre de classes (quelques taxons dominants, beaucoup de taxons rares), ce qui nuit à la convergence et à la généralisation des modèles standards.

2. Méthodologie : PlanktonFlow

Pour combler ce vide, les auteurs ont développé PlanktonFlow, un pipeline Python open-source modulaire conçu pour automatiser l'ensemble du processus de classification taxonomique d'images de plancton.

Architecture et Flux de Travail :
Le pipeline guide l'utilisateur à travers quatre étapes principales :

1. Prétraitement et Augmentation :
   • Suppression automatique des barres d'échelle (via un modèle YOLOv8 fine-tuné) pour éviter l'apprentissage d'artefacts.
   • Élagage des classes trop rares (moins de 100 images).
   • Augmentation de données ciblée : Utilisation de la bibliothèque Albumentations pour enrichir les classes sous-représentées jusqu'à un seuil de 1 500 images par classe, tout en préservant les motifs morphologiques originaux.
2. Entraînement et Comparaison de Modèles :
   • Le pipeline permet d'entraîner et de comparer jusqu'à quatre architectures de réseaux de neurones convolutifs (CNN) : ResNet, DenseNet, EfficientNet et YOLO.
   • Utilisation de l'apprentissage par transfert (initialisation sur ImageNet).
3. Optimisation des Hyperparamètres :
   • Intégration de l'optimisation bayésienne via Weights & Biases (W&B) pour explorer automatiquement un vaste espace de paramètres (taux d'apprentissage, régularisation, type d'optimiseur, fonctions de perte).
   • Comparaison de différentes fonctions de perte pour gérer le déséquilibre des classes : Entropie croisée pondérée, Focal Loss, et Label Smoothing.
4. Inférence et Évaluation :
   • Exécution de prédictions sur de nouveaux jeux de données.
   • Calcul de métriques de performance complètes (Précision, Rappel, F1-Score, Matrices de confusion) avec des moyennes macro et pondérées.

Données et Expérimentation :

• Jeu de données : Images de plancton d'eau douce issues d'expériences mésocosmes, acquises avec deux FlowCAM (micro et macro). Le jeu de données final contient 76 classes (après élagage) et environ 198 000 images (après augmentation), divisées en ensembles d'entraînement (70%), de validation (20%) et de test (10%).
• Référence : Comparaison avec EcoTaxa en mode "prédiction pure" (sans validation humaine).

3. Résultats Clés

Performance des Modèles :

• EfficientNet-B5 s'est révélé être le modèle le plus performant, obtenant le F1-Score macro moyen le plus élevé (86,20 %).
• ResNet-152 et DenseNet-161 ont suivi de très près (F1 macro ~84,3-84,6 %).
• YOLO (version non optimisée pour ce cas d'usage spécifique) a obtenu des résultats inférieurs (F1 macro ~80,67 %), soulignant l'importance du fine-tuning.
• Supériorité sur EcoTaxa : Tous les modèles CNN optimisés ont surpassé EcoTaxa. EfficientNet-B5 a dépassé EcoTaxa d'un écart de +7,08 points de pourcentage sur le F1-Score macro, démontrant l'avantage significatif des approches modernes de Deep Learning.

Analyse des Erreurs et Robustesse :

• L'analyse par classe a montré que la fréquence d'une classe n'était pas un prédicteur fort de la performance (les lignes de régression étaient plates), indiquant que le pipeline d'augmentation et d'optimisation a efficacement atténué les problèmes liés au déséquilibre des classes.
• Les erreurs résidaient principalement dans des classes à haute variabilité intra-classe (débris, organismes multiples) ou des groupes taxonomiques imbriqués morphologiquement similaires (ex: Cladocera vs damaged_Cladocera).
• L'optimisation des hyperparamètres (spécifique à chaque architecture) s'est avérée cruciale pour les performances.

4. Contributions Principales

1. Outil Accessible : PlanktonFlow démocratise l'accès au Deep Learning pour les biologistes en fournissant un pipeline "clé en main", documenté et modulaire, ne nécessitant pas d'expertise en ingénierie logicielle.
2. Reproductibilité et Transparence : Le code est open-source (GitHub), les configurations sont gérées via des fichiers YAML, et le pipeline inclut des scripts pour le prétraitement, l'entraînement, l'optimisation et l'inférence.
3. Validation Rigoureuse : L'étude ne se contente pas d'appliquer un modèle, mais compare systématiquement plusieurs architectures et stratégies d'optimisation sur un jeu de données réel et complexe (non-benchmark), incluant des erreurs d'annotation réelles.
4. Preuve de Concept : Démonstration qu'un modèle optimisé (EfficientNet) peut surpasser l'outil de référence actuel (EcoTaxa) même sur des données difficiles et déséquilibrées.

5. Signification et Perspectives

Ce travail marque une avancée significative pour la biologie du plancton en permettant une automatisation fiable de la classification à grande échelle.

• Impact Opérationnel : Il permet aux biologistes de traiter des flux de données continus sans goulots d'étranglement manuels, facilitant la surveillance écologique à long terme.
• Évolutivité : L'architecture modulaire permet d'intégrer facilement de nouvelles architectures (comme les Vision Transformers) ou d'adapter le pipeline à d'autres dispositifs d'imagerie ou groupes taxonomiques.
• Futur : Les auteurs envisagent l'intégration de l'apprentissage semi-supervisé et l'adaptation à d'autres systèmes biologiques, positionnant PlanktonFlow comme une infrastructure de base pour la prochaine génération d'outils de bio-informatique écologique.

En résumé, PlanktonFlow transforme l'accès aux technologies de pointe en vision par ordinateur, rendant possible une analyse précise, rapide et automatisée de la biodiversité planctonique pour la communauté scientifique.