Infos

Code source du tutoriel de https://deeplylearning.fr/cours-pratiques-deep-learning/reconnaissance-dimages/

Permet de creer avec Tensorflow et Keras une reconnaissance d'image entre 5 types de fleurs différentes, avec des algorithmes de deep learning.

Installer les pré-requis

Permet d'installer les différentes bibliothèques essentiel pour réaliser des algorithmes de deep learning. Optionnel si vous avez déjà votre environnement pré-configuré.

$ install.bat

Generer les tableaux numpy

Changer les chemins si nécessaire :

Attribut	Description
pathNumpy	Destination ou seront sauvegarder les tableaux
pathData	Chemin ou sont les images en format png
imgResize	On met l'ensemble du dataset à la même taille

Lancer la commande suivante :

$ python generateNumpyFiles.py

Entrainer le model

Changer les chemins si nécessaire :

Attribut	Description
csv_logger	Chemin du callbak permettant l'enregistrement des metriques
check	Chemin du callback permettant d'enregistrer le modèle sous format hdf5
pathData	Chemin des tableaux numpy
trainRatio	Ratio définissant la taille du jeu d'entrainemnt et de validation
batch_size	Nombre d'item que on envoi sur une phase de feedforward/backpropagation
earlyStopPatience	Permet de définir l'arrêt de l'entrainement, lorsque les données de précision sur le jeu de validation n'évolu plus

Lancer la commande suivante :

$ python trainModel.py

Generer les graphiques de suivi de métriques

Changer les chemins si nécessaire :

Attribut	Description
pathLogs	Destination ou est notre fichier de métriques au format CSV
pathSaveGraph	Chemin ou on va sauvegarder

Lancer la commande suivante :

$ python generateMetrics.py

Generer la matrice de confusion

Changer les chemins si nécessaire :

Attribut	Description
modelPath	Destination ou est stocké notre modele pré entrainé
datasetTestPath	Chemin ou sont les images de test
destinationMatrix	Destination ou on va sauvegarder notre matrice
imageSize	On met l'ensemble du dataset à la même taille

Lancer la commande suivante :

$ python generateConfusionMatrix.py

Realiser une prédiction sur une nouvelle donnée

Changer les chemins si nécessaire :

Attribut	Description
modelPath	Chemin du model au format hdf5 pour le charger en memoire
imagePath	Chemin de l'image que l'on doit predire
imageResize	Doit être identique aux tailles d'image d'entrainement

Puis lancer la commande suivante :

$ python autoPredict.py