Une nouvelle méthode visant à améliorer la classification des maladies des plantes, un processus exigeant et chronophage, est proposée. Tout d’abord, en prenant comme base EfficientNet, une famille récente et avancée d’architectures offrant un excellent compromis entre précision et complexité, nous avons introduit, conçu et appliqué des techniques raffinées fondées sur le transfer learning, la régularisation, la stratification, les métriques pondérées et des optimiseurs avancés afin d’obtenir des performances améliorées. Ensuite, nous allons plus loin en introduisant un ensemble minimal adaptatif, une contribution originale au savoir-faire de la solution proposée. Ce dispositif marque une avancée significative, car il permet d’améliorer la précision tout en limitant la complexité, en utilisant uniquement deux modèles faibles EfficientNet-b0, en effectuant l’ensemblage sur les vecteurs de caractéristiques via une couche entraînable, plutôt que par une aggregation classique sur les sorties. À notre connaissance, une telle approche d’ensemblage n’avait jamais été utilisée auparavant dans la littérature. Notre méthode a été testée sur PlantVillage, un ensemble de données public de référence utilisé pour évaluer les performances des modèles dans le diagnostic des maladies des cultures, en considérant à la fois sa version originale et sa version augmentée. Nous avons notablement amélioré l’état de l’art en atteignant une précision de 100 % sur les deux ensembles de données, original et augmenté. Les résultats ont été obtenus en utilisant PyTorch pour l’entraînement, le test et la validation des modèles ; la reproductibilité est garantie par la fourniture de détails exhaustifs, y compris les hyperparamètres utilisés dans les expérimentations. Une interface Web est également mise à disposition publiquement pour tester les méthodes proposées.