🌍 PandaTree — Système National de Gestion, Cartographie et Reconnaissance des Arbres de Côte d’Ivoire

Projet porté par le CNRA (Centre National de Recherche Agronomique de Côte d’Ivoire) Développé avec Django REST Framework — Architecture modulaire, évolutive et souveraine. Objectif : Créer une plateforme nationale libre pour la cartographie, la reconnaissance et la valorisation du patrimoine végétal ivoirien.

🧭 1. Vision et objectifs

Le projet PandaTree vise à :

Centraliser les informations botaniques nationales (arbres, régions, familles, usages).
Offrir aux agents de terrain et chercheurs un outil fiable de collecte et de reconnaissance d’espèces.
Déployer une application mobile Flutter pour l’enregistrement et la consultation en mobilité.
Intégrer la reconnaissance de feuilles locale via un moteur KNN interne.
Permettre la cartographie nationale en temps réel sur base OpenStreetMap.

💡 « Identifier, cartographier et préserver — la nature connectée au service de la recherche ivoirienne. »

🏗️ 2. Architecture logicielle

Composant	Technologie	Rôle principal
Backend API	Django + Django REST Framework	Cœur du système, logique métier et endpoints REST
Base de données	PostgreSQL	Données structurées et relations géographiques
Application mobile	Flutter (Android / iOS)	Collecte, scan, affichage cartographique
Stockage d’images	Django Storage (Media)	Gestion des photos d’arbres et feuilles
Reconnaissance IA locale	KNN interne (vectorisation)	Calcul de similarité entre échantillons
Documentation API	drf-spectacular + Swagger UI	Interface interactive pour les développeurs
Tâches asynchrones	Celery (optionnel)	Reindexation automatique

🧩 3. Modules fonctionnels

🌳 Module Trees — Gestion et Cartographie des arbres

Création, édition et suppression d’un arbre.
Enregistrement des 3 photos obligatoires : arbre entier, feuille, racine.
Informations botaniques complètes (nom local, scientifique, famille, région, sol, latitude, longitude).
Système de likes, de vues, et d’export CSV via l’interface d’administration.
Visualisation sur carte Leaflet (GeoJSON-like API).
Sécurisation par utilisateur (seuls les propriétaires ou administrateurs peuvent modifier/supprimer).

🍃 Module Recognition — Reconnaissance de feuilles et feedback

Téléversement d’une photo de feuille (/api/recognition/predict/)
Calcul de similarité via le KNN interne
Stockage de l’historique (LeafRecognition)
Possibilité de feedback utilisateur (confirmation ou correction d’espèce)
Réindexation automatique des échantillons

🔄 4. Flux de fonctionnement

🔹 1. Enregistrement d’un arbre

L’utilisateur envoie un formulaire + 3 images via POST /api/trees/
Les données sont sauvegardées dans la table Tree
Un vecteur 544D est calculé automatiquement sur la photo de feuille

🔹 2. Prédiction d’une feuille

L’utilisateur envoie une image via POST /api/recognition/predict/
Le système crée une entrée LeafRecognition
Le moteur KNN retourne l’arbre le plus similaire
Le résultat est sauvegardé avec le score de confiance

🔹 3. Feedback utilisateur

L’utilisateur envoie son feedback via POST /api/recognition/feedback/
Le système met à jour la prédiction (espèce confirmée ou corrigée)
Option : ajout automatique de la photo aux échantillons (LeafSample)

⚙️ 5. Documentation API complète

Toutes les routes sont protégées par authentification (Authorization: Bearer <token>). Les exemples ci-dessous sont adaptés pour Flutter ou Postman.

🔐 Authentification

L’authentification repose sur Django Rest Framework + JWT.

Login : POST /api/auth/login/
Register : POST /api/auth/register/

Header commun :

Authorization: Bearer <votre_token_jwt>

🌳 Endpoints Trees

Méthode	Endpoint	Description	Auth
`GET`	`/api/trees/`	Liste des arbres (filtres disponibles)	✅
`GET`	`/api/trees/{id}/`	Détail d’un arbre	✅
`POST`	`/api/trees/`	Créer un arbre (avec 3 images obligatoires)	✅
`PATCH`	`/api/trees/{id}/`	Modifier un arbre	✅ (propriétaire/admin)
`DELETE`	`/api/trees/{id}/`	Supprimer un arbre	✅ (propriétaire/admin)
`GET`	`/api/trees/mine/`	Lister mes arbres	✅
`POST`	`/api/trees/{id}/like/`	Liker un arbre	✅
`GET`	`/api/trees/map/`	Points carte (GeoJSON-like)	✅

🔹 Exemple : création d’un arbre

POST /api/trees/ multipart/form-data :

Champ	Type	Obligatoire	Exemple
name_local	string	✅	Iroko
latitude	float	✅	5.345678
longitude	float	✅	-4.012345
region	string	✅	Abidjan
photo_tree	image	✅	arbre.jpg
photo_leaf	image	✅	feuille.jpg
photo_root	image	✅	racine.jpg

Réponse (201) :

{
  "id": 12,
  "name_local": "Iroko",
  "region": "Abidjan",
  "photo_leaf_url": "https://api.pandatree.ci/media/trees/photos/leaf/iroko.jpg"
}

🍃 Endpoints Recognition

Méthode	Endpoint	Description	Auth
`POST`	`/api/recognition/predict/`	Envoyer une photo de feuille et obtenir la prédiction	✅
`POST`	`/api/recognition/feedback/`	Envoyer un feedback utilisateur	✅
`POST`	`/api/recognition/samples/`	Ajouter un échantillon labellisé (LeafSample)	✅
`POST`	`/api/recognition/reindex/`	Reconstruire l’index KNN	✅
`GET`	`/api/recognition/species/`	Liste ou ajout d’espèces connues	✅

🔹 Exemple : prédiction d’une feuille

POST /api/recognition/predict/ multipart/form-data :

Champ	Type	Obligatoire	Exemple
file	image	✅	feuille.jpg

Réponse (200) :

{
  "id": 8,
  "predicted_species": "Ficus exasperata",
  "confidence": 0.92,
  "suggestions": [
    {"tree_id": 23, "confidence": 0.87, "region": "Bouaké"},
    {"tree_id": 45, "confidence": 0.81, "region": "Abidjan"}
  ],
  "top_tree": {
    "id": 23,
    "name_local": "Figuier",
    "region": "Bouaké"
  }
}

🔹 Exemple : feedback utilisateur

POST /api/recognition/feedback/

{
  "recognition_id": 8,
  "is_correct": true,
  "confirmed_species": 5,
  "notes": "Bonne correspondance",
  "add_to_samples": true
}

Réponse (200) :

{
  "success": true,
  "id": 8
}

🧬 Endpoints Espèces et Échantillons

Méthode	Endpoint	Description
`GET`	`/api/recognition/species/`	Lister toutes les espèces
`POST`	`/api/recognition/species/`	Créer une nouvelle espèce
`POST`	`/api/recognition/samples/`	Ajouter un nouvel échantillon labellisé

🧱 6. Structure de la base de données

Table `Tree`

Champ	Type	Description
`name_local`	str	Nom vernaculaire
`name_scientific`	str	Nom scientifique
`family`	str	Famille botanique
`region`	str	Région géographique
`photo_tree` / `photo_leaf` / `photo_root`	image	Photos obligatoires
`latitude` / `longitude`	float	Coordonnées GPS
`created_by`	FK(User)	Auteur
`vector`	JSON	Vecteur de features (544D)

Table `LeafRecognition`

Champ	Type	Description
`image`	image	Image envoyée par l’utilisateur
`predicted_species`	str	Nom de l’espèce prédite
`confidence`	float	Score de confiance
`suggestions`	JSON	Liste d’espèces similaires
`confirmed_species`	FK(Species)	Espèce confirmée
`is_correct`	bool	Statut du feedback
`notes`	text	Commentaire utilisateur

🧩 7. Architecture du code (DDD)

recognition/
├── application/
│   ├── dto/
│   ├── use_cases/
│   └── ...
├── domain/
│   ├── entities/
│   └── enums/
├── infrastructure/
│   ├── db/
│   ├── repositories/
│   └── services/
└── interfaces/
    └── rest/

🧠 Use Cases = logique métier 💾 Repositories = interaction avec la base 🌐 Interfaces REST = endpoints DRF

⚙️ 8. Installation et exécution

🐍 Environnement

git clone https://github.com/cnra/pandatree.git
cd pandatree
python -m venv venv
source venv/bin/activate
pip install -r requirements.txt

📦 Variables d’environnement (.env)

DJANGO_DEBUG=True
SECRET_KEY=change-this
DB_NAME=pandatree
DB_USER=postgres
DB_PASSWORD=postgres
DB_HOST=127.0.0.1
EMAIL_HOST_USER=devs.iipea@gmail.com
EMAIL_HOST_PASSWORD=xxxx
TIME_ZONE=Africa/Abidjan

🚀 Lancer le serveur

python manage.py migrate
python manage.py runserver

Accès Swagger : 👉 http://127.0.0.1:8000/api/schema/swagger/

📱 9. Intégration Flutter — Exemples

🔹 Upload d’une feuille pour reconnaissance

var request = http.MultipartRequest(
  'POST',
  Uri.parse('https://api.pandatree.ci/api/recognition/predict/'),
);
request.headers['Authorization'] = 'Bearer $token';
request.files.add(await http.MultipartFile.fromPath('file', imagePath));
var response = await request.send();
print(await response.stream.bytesToString());

🔹 Envoi de feedback

await http.post(
  Uri.parse('https://api.pandatree.ci/api/recognition/feedback/'),
  headers: {
    'Content-Type': 'application/json',
    'Authorization': 'Bearer $token',
  },
  body: jsonEncode({
    'recognition_id': 8,
    'is_correct': true,
    'confirmed_species': 5,
    'notes': 'Bonne correspondance'
  }),
);

🧑‍💻 10. Bonnes pratiques CNRA

Respecter l’architecture Clean / DDD (UseCase ↔ Repository ↔ Interface).
Toujours écrire des tests unitaires Django (TestCase).
Éviter les requêtes N+1 → utiliser select_related.
Centraliser les images dans /media/.
Documenter chaque endpoint avec @extend_schema.
Ne jamais stocker d’informations personnelles non nécessaires.

🚀 11. Perspectives d’évolution

Ajout d’un système de taxonomie complet (familles, genres, espèces).
Déploiement de la carte publique interactive (Leaflet).
Intégration des statistiques régionales (arbres/espèces par région).
Synchronisation offline-first sur l’application Flutter.
Export complet (CSV, Excel, PDF) des inventaires régionaux.

🐼 12. Slogan

“Planter, Identifier, Préserver — PandaTree, la nature connectée.”

Name		Name	Last commit message	Last commit date
Latest commit History 5 Commits
.idea		.idea
src		src
README.md		README.md

daniel10027/PandaTree

Folders and files

Latest commit

History

Repository files navigation