PROJET
CLASSIFICATION DE VARIÉTÉS DE
DATTES AVEC LE DEEP LEARNING
PRÉSENTÉ PAR :
ARWA ABDI
MOHAMED ZIED BOUOUD
2024-2025
CONTENU
1- Problématique
2- Vue d’ensemble du Dataset
3- Architecture technique
4- Architecture du modèle
5- Prétraitement des données
6- Processus d’entraînement
7- Résultats
8-Défis et solutions
9-Conclusion
2024-2025
PROBLÉMATIQUE
Ce projet consiste à utiliser un Réseau de
Neurones Convolutionnels (CNN) pour extraire et
analyser des caractéristiques visuelles
spécifiques des dattes.
Objectif principal : Identifier les caractéristiques
essentielles qui permettent de distinguer les
différentes variétés de dattes.
Entrée : Images de dattes de différentes
variétés.
Sortie : Activations des couches du réseau de
neurones, permettant d’analyser les
caractéristiques visuelles extraites.
2024-2025
VUE D’ENSEMBLE DU DATASET
DANS CE PROJET, ON A UTILISÉ LE <<DEGLET NOUR
DATE FRUIT DATASET>>, UN ENSEMBLE DE DONNÉES
TUNISIEN.
IL CONTIENT DES IMAGES DE 11 VARIÉTÉS DE DATTES
TUNISIENNES, AVEC 300 À 473 IMAGES PAR CLASSE.
LES VARIÉTÉS INCLUENT NOTAMMENT : ALIG, KENTA,
ET NOUR DEMI SÈCHE/OILY/SEMI-OILY/SEMI-OILY
TREATED,BESSRA,KINTICHI .......
2024-2025
ARCHITECTURE
TECHNIQUE
Image d'entrée → Prétraitement → Modèle CNN → Résultat de classification
OUTILS UTILISÉS :
TENSORFLOW : BIBLIOTHÈQUE OPEN-SOURCE DÉVELOPPÉE PAR GOOGLE POUR LE CALCUL NUMÉRIQUE
ET LE DEEP LEARNING.
KERAS : API DE HAUT NIVEAU SIMPLIFIANT LA CRÉATION DE MODÈLES DE DEEP LEARNING.
PYTHON : LANGAGE PRINCIPAL POUR ORCHESTRER LE PROJET.
MATPLOTLIB & SEABORN : BIBLIOTHÈQUES POUR LA VISUALISATION DES DONNÉES ET DES RÉSULTATS.
ARCHITECTURE
DU MODÈLE CNN
Structure du CNN :
4 couches convolutives
Couches MaxPooling
Couches denses
Dropout pour la régularisation
Dimensions d’entrée : 224x224x3
Sortie : 11 classes
PRÉTRAITEMENT
DES DONNÉES
Prétraitement des données
Redimensionnement : Toutes les images sont redimensionnées à
224x224 pixels.
Normalisation : Les valeurs des pixels sont mises à l’échelle dans la
plage [0,1] (rescale=1./255).
Augmentation des données (appliquée uniquement aux données
d’entraînement) :
Rotation aléatoire jusqu’à ±20°.
Décalages horizontaux et verticaux jusqu’à 20 %.
Flip horizontal aléatoire.
PROCESSUS
D’ENTRAÎNEMENT
Paramètres d’entraînement :
Taille des lots : 32
Epochs : 20
Optimiseur : Adam(Adaptive Moment Estimation) combine les avantages de
deux méthodes :
Momentum : accélère l’entraînement en direction des gradients les plus
prometteurs.
RMSProp : ajuste dynamiquement le taux d’apprentissage pour chaque
paramètre.
Fonction de perte : Categorical Crossentropy(Loss=−i.∑yi.log(y**i))
Courbes d’entraînement et de validation
PROCESSUS
D’ENTRAÎNEMENT
RÉSULTATS
Principaux indicateurs :
Précision
Rappel (Recall)
F1-score
Exactitude (Accuracy)
CERTAINES CLASSES, COMME ALIGH" ET
"KENTA", MONTRENT DES VALEURS PLUS
ÉLEVÉES SUR LA DIAGONALE, INDIQUANT UNE
MEILLEURE PRÉCISION POUR CES CLASSES.
D'AUTRES CLASSES, PAR EXEMPLE "DEGLET
NOUR SEMI-OILY TREATED", ONT PLUS DE
CONFUSION AVEC DES CLASSES VOISINES, CE
QUI PEUT INDIQUER :
SIMILARITÉS VISUELLES ENTRE LES VARIÉTÉS.
LIMITATIONS DANS LA CAPACITÉ DU MODÈLE À
EXTRAIRE DES CARACTÉRISTIQUES
DISCRIMINANTES.
RÉSULTATS
DÉFIS ET SOLUTIONS
Défis rencontrés :
Problèmes lors du prétraitement
Optimisation du modèle
Prévention du surapprentissage (overfitting)
Solutions mises en œuvre :
Augmentation des données
Couches Dropout
Séparation rigoureuse des données de validation
CONCLUSION
CE PROJET A PERMIS DE DÉVELOPPER UN MODÈLE CNN CAPABLE DE CLASSIFIER 11
VARIÉTÉS DE DATTES AVEC DES RÉSULTATS PROMETTEURS MALGRÉ QUELQUES
CONFUSIONS ENTRE CLASSES SIMILAIRES. GRÂCE À CETTE EXPÉRIENCE, ON A
APPROFONDI NOTRE COMPRÉHENSION DES MÉCANISMES DES RÉSEAUX
CONVOLUTIONNELS ET DES ÉTAPES CLÉS DE L'ENTRAÎNEMENT D'UN MODÈLE. UNE
OPPORTUNITÉ ENRICHISSANTE POUR EXPLORER LES BASES ET LE POTENTIEL DES
CNN DANS DES APPLICATIONS RÉELLES.
2024-2025
MERCI DE VOTRE
ATTENTION
2024-2025