Projet de classification d’images

Dans ce projet, nous allons construire un CNN simple pour classer des images en différentes catégories. La classification d’images consiste à prédire la catégorie ou l’étiquette d’une image d’entrée.

Jeu de données pour la classification

Nous utiliserons le jeu de données CIFAR-10, qui contient 60 000 images réparties en 10 catégories, comme les avions, les voitures, les oiseaux et les chats. Chaque image mesure 32×32 pixels et possède 3 canaux de couleur (RGB).

Chargement du jeu de données

Nous chargerons le jeu de données CIFAR-10 à l’aide de TensorFlow :

import tensorflow as tf
from tensorflow.keras.datasets import cifar10

# Load dataset
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

# Normalize the pixel values to [0, 1]
x_train = x_train / 255.0
x_test = x_test / 255.0

print("Training data shape:", x_train.shape)

Construction du modèle CNN

Nous définirons une architecture CNN composée de couches convolutives, de couches de mise en commun et de couches entièrement connectées :

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

# Define the CNN model
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
    MaxPooling2D((2, 2)),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

Compilation du modèle

Nous compilons le modèle avec :

• Fonction de perte : Entropie croisée catégorielle pour la classification multiclasse.
• Optimiseur : Optimiseur Adam pour un apprentissage efficace.
• Mesures : Exactitude pour évaluer les performances.

# Compile the model
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

Entraînement du modèle

Nous entraînons le modèle à l’aide des données d’entraînement pendant 10 époques. Au cours de l’entraînement, le modèle apprend à classer les images en différentes catégories.

# Train the model
model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

Évaluation du modèle

Après l’entraînement, nous évaluons le modèle sur les données de test afin de vérifier son exactitude :

# Evaluate the model
loss, accuracy = model.evaluate(x_test, y_test)
print(f"Test Accuracy: {accuracy * 100:.2f}%")

Réalisation de prédictions

Nous pouvons utiliser le modèle entraîné pour effectuer des prédictions sur de nouvelles images :

# Predict the category of a test image
import numpy as np

sample_image = x_test[0]
sample_label = y_test[0]

prediction = np.argmax(model.predict(sample_image[np.newaxis, ...]))
print(f"Predicted Label: {prediction}, Actual Label: {sample_label[0]}")

Difficultés de la classification d’images

Les difficultés courantes comprennent :

• Surapprentissage : Le modèle fonctionne bien sur les données d’entraînement, mais mal sur de nouvelles données.
• Déséquilibre des classes : Représentation inégale des catégories dans le jeu de données.
• Coût de calcul : L’entraînement de réseaux profonds nécessite des ressources importantes.

Résumé et prochaines étapes

Dans ce projet, nous avons :

• Construit et entraîné un CNN pour la classification d’images à l’aide du jeu de données CIFAR-10.
• Appris à charger, prétraiter et évaluer le jeu de données.
• Examiné les difficultés liées aux tâches de classification d’images.

Ensuite, nous explorerons des techniques d’augmentation des données afin d’améliorer les performances du modèle en générant des variantes des images d’entraînement.