Plan de rapport de stage
1. Introduction
Présentation du sujet:
- Contexte général du stage
- Présentation rapide de la classification multi label
- Objectifs du stage
Présentation de l’entreprise / laboratoire
cahier de charge
2. État de l’art
La classification multilabel:
- Différences avec la classification mono-label
- Exemples d’applications
- Difficultés spécifiques
Approches classiques
- Méthodes statistiques et machine learning traditionnelles
- Limites de ces approches
Approches basées sur le deep learning
- Réseaux convolutifs (CNN)
- Architectures spécifiques pour multilabel
- Problèmes liés aux images masquées et labels multiples
3. Description du projet
Problématique précise
- Description précise du problème à résoudre
- Données utilisées (images + masques RGB en multilabel)
- Contraintes (augmentation sans altérer les couleurs des masques + garder l’équilibre
entre les multiples classes)
Objectifs techniques
- Améliorer la précision / généralisation du modèle
- Gérer le déséquilibre des classes
- Éviter l’overfitting
- Optimiser les performances
relative work
4. Travaux réalisés
Préparation des données
- Format des données (COCO, masques RGB, annotations multilabel)
- Méthode de conversion des masques couleurs en labels numériques
- Stratégies de nettoyage et d’équilibrage des classes
- Split train/valid/test
Data augmentation
- Types d’augmentations appliquées
- Problèmes rencontrés (distorsion des couleurs sur les masques)
- Solution adoptée (augmentation synchronisée image + masque, sans modifier les
couleurs)
Conception et entraînement du modèle
- Architecture du réseau CNN utilisé
- Fonction de perte adaptée au multilabel
- Optimiseur, taux d’apprentissage…
- Méthodes pour éviter l’overfitting (dropout, régularisation, early stopping)
Évaluation du modèle
- Métriques utilisées (accuracy multilabel, precision, recall, F1-score, AUC-ROC)
- Résultats obtenus et analyse
- Matrices de confusion multilabel
- Visualisation des erreurs
5. Difficultés rencontrées et solutions apportées
- Gestion du déséquilibre de classes
- Problème de changement de couleurs dans les masques dû à l’augmentation
- Surapprentissage / overfitting
- Limites des outils et bibliothèques utilisées
6. Perspectives et améliorations possibles
- Techniques avancées
- Meilleure gestion des classes rares
solution alternative
interface - Intégration de méthodes de calibrage ou post-traitement
- Exploitation de données supplémentaires
7. Conclusion
- Bilan global du stage
- Résultats clés
- Apports personnels
- Remerciements
8. Annexes
- Extraits de code essentiels
- Graphiques d’entraînement
- Description détaillée des jeux de données
- Documentation technique utilisée