Etudiant : TAMIMI SAFAE

Filière : Master Big Data et Systèmes intelligents (BDSI)

Encadrant : Pr. BOUAYAD ANAS

Annèe : 2026

Résumé : Le déploiement de modèles de vision par ordinateur sur des dispositifs à ressources contraintes — microcontrôleurs, capteurs intelligents — constitue l'un des défis majeurs du paradigme TinyML, en raison des limitations sévères en mémoire, en puissance de calcul et en énergie de ces plateformes. Ce travail propose une étude comparative et systématique de techniques de compression de modèles de deep learning appliquées à la classification d'images, dans l'objectif de réduire l'empreinte de ces modèles tout en préservant un niveau de précision compatible avec un usage réel. L'approche repose sur deux architectures légères de référence, MobileNetV2 et MobileNetV3-Small, entraînées par apprentissage par transfert sur deux cas d'application contrastés : PlantVillage, une tâche de classification multi-classe (38 classes) dédiée à la détection de maladies foliaires, et Malaria Cell Images, une tâche de classification binaire dédiée au diagnostic assisté du paludisme à partir d'images microscopiques de cellules sanguines. Trois familles de techniques de compression sont étudiées et comparées : la quantification post-entraînement (PTQ, en variantes Dynamic Range et Full INT8), la quantification consciente de l'entraînement (QAT), et l'élagage structuré (pruning), ainsi que leurs combinaisons. Les résultats obtenus démontrent la viabilité de ces techniques, avec des ratios de compression atteignant jusqu'à 9,51× pour une perte d'accuracy inférieure à 0,3 point sur la meilleure configuration identifiée (MobileNetV3-Small, pruning 70 % combiné à une PTQ Dynamic Range, sur PlantVillage). L'étude met également en évidence deux phénomènes de fragilité localisée et scientifiquement significatifs : un effondrement marqué de la PTQ Full INT8 sur une configuration spécifique (-11,32 points), et une sensibilité accrue du pruning agressif sur la tâche binaire, avec un impact ciblé sur le rappel de la classe critique. Ces résultats démontrent qu'aucune technique de compression ne peut être considérée comme universellement fiable indépendamment du contexte applicatif, et soulignent l'importance d'une validation systématique multi-technique avant tout déploiement.