Scribd
Importer
9 vues2 pages

Classification d'images par Deep Learning

Ce document décrit un projet de classification d'images utilisant le Deep Learning, où chaque étudiant doit collecter un ensemble d'images, préparer les données, concevoir un modèle CNN et évaluer ses performances. Les étapes incluent la collecte d'images, la préparation des données, la construction du modèle, l'entraînement, l'évaluation et la sauvegarde des résultats. Les livrables attendus comprennent un notebook Google Colab et un dossier de dataset organisé.

Transféré par

blalihind880
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
9 vues2 pages

Classification d'images par Deep Learning

Ce document décrit un projet de classification d'images utilisant le Deep Learning, où chaque étudiant doit collecter un ensemble d'images, préparer les données, concevoir un modèle CNN et évaluer ses performances. Les étapes incluent la collecte d'images, la préparation des données, la construction du modèle, l'entraînement, l'évaluation et la sauvegarde des résultats. Les livrables attendus comprennent un notebook Google Colab et un dossier de dataset organisé.

Transféré par

blalihind880
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Classification d’images par Deep Learning (durée : 2h)

Objectif :
Chaque étudiant doit concevoir et entraîner un petit modèle de Deep Learning pour classifier
un ensemble d’images qu’il aura lui-même collecté depuis Internet à l’aide d’un script
Python.
Le travail doit suivre la pipeline simplifiée d’un projet de classification d’images.

Tâches à réaliser :

1. Collecte du dataset
– Choisir au moins trois classes (ex. : chien, chat, voiture, fleur…).
– Télécharger 10 images par classe à l’aide du script Python fourni (web scraping).
– Organiser les images dans un dossier structuré :
2. dataset/
3. ├── class1/
4. ├── class2/
5. └── class3/
6. Préparation des données
– Redimensionner toutes les images à la même taille (ex. 128×128).
– Normaliser les pixels entre 0 et 1.
– Diviser le dataset en :
o Entraînement (80 %)
o Validation (20 %)
7. Conception du modèle CNN
– Construire un réseau simple :
Conv2D → MaxPooling2D → Flatten → Dense → Dense (sortie).
– Fonctions d’activation : ReLU pour les couches cachées, Softmax pour la sortie.
– Fonction de perte : categorical_crossentropy.
– Optimiseur : Adam.
8. Apprentissage du modèle
– Entraîner pendant environ 10 epochs.
– Afficher les courbes loss et accuracy.
9. Évaluation
– Afficher la précision sur l’ensemble de validation.
– Tester sur 2 ou 3 images externes.
– Interpréter les résultats (bonnes et mauvaises prédictions).
10. Sauvegarde et rapport rapide
– Enregistrer le modèle (.h5).
– Fournir un court rapport (5 à 10 lignes) résumant :
o le jeu de données choisi,
o la structure du modèle,
o les résultats obtenus,
o les pistes d’amélioration.

Livrables attendus :
– Le notebook Google Colab complet (.ipynb).
– Le dossier du dataset organisé par classes.

Vous aimerez peut-être aussi