Comparaison de différents CNN pour la classification Chat vs Chien

Ce projet vise à comparer plusieurs architectures de réseaux de neurones convolutifs (CNN) pour la classification d’images de chats et de chiens. Trois approches sont étudiées :

• CNN From Scratch : Un modèle construit et entraîné manuellement sans transfert d’apprentissage.
• ResNet18 : Utilisation du modèle ResNet18 pré-entraîné, adapté à la classification binaire.
• EfficientNet : Utilisation du modèle EfficientNet-B0 pré-entraîné, adapté à la classification binaire.

Organisation du projet

• CNN-FromScratch/ : Scripts pour entraîner et utiliser un CNN personnalisé.
• CNN-ResNet18/ : Scripts pour entraîner et utiliser ResNet18.
• CNN-efficientNet/ : Scripts pour entraîner et utiliser EfficientNet.
• Weights/ : Dossier contenant les fichiers de poids des modèles entraînés.
• 1 - archive/PetImages/ : Dossier contenant les images d’entraînement.
• 2 - test_file/ : Dossier contenant les images de test.

Installation

1. Clonez le dépôt.
2. Installez les dépendances :

   pip install -r requirements.txt
   

3. Placez les images dans les dossiers appropriés (1 - archive/PetImages pour l’entraînement, 2 - test_file pour le test).

Utilisation

• Pour entraîner un modèle, utilisez les notebooks dans chaque dossier correspondant.
• Pour tester un modèle, utilisez les notebooks Using_modele.ipynb, using_resnet18.ipynb ou using_efficientNet.ipynb.

Résultats

Les performances des différents modèles sont comparées en termes de précision sur le jeu de test. Les résultats sont présentés dans les notebooks.

Remarques

• Les chemins d’accès aux fichiers de poids sont gérés dynamiquement pour faciliter l’exécution sur différents environnements.
• Les modèles utilisent le GPU Apple Silicon (mps) si disponible, sinon le CPU.

---

Auteur : Arthur PRIGENT

N’hésitez pas à adapter ce projet à vos besoins ou à l’améliorer !# Image-classification-with-CNN