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