|
|
--- |
|
|
license: mit |
|
|
language: |
|
|
- fr |
|
|
base_model: |
|
|
- microsoft/resnet-50 |
|
|
pipeline_tag: image-classification |
|
|
library_name: transformers |
|
|
tags: |
|
|
- image-classification |
|
|
- vision |
|
|
- recycling |
|
|
- environment |
|
|
--- |
|
|
|
|
|
# Garbage Classification Model (Fine-tuned ResNet-50) |
|
|
|
|
|
Ce modèle est une version fine-tunée de ResNet-50 pour la classification des images de déchets en 8 catégories, utilisant le [Garbage Dataset](https://www.kaggle.com/datasets/danielferreiralara/normalized-garbage-dataset-for-resnet). Ce modèle est conçu pour des applications environnementales telles que le tri automatique des déchets et la sensibilisation au recyclage. |
|
|
|
|
|
## Modèle de base |
|
|
|
|
|
Ce modèle est basé sur [ResNet-50 v1.5](https://huggingface.co/microsoft/resnet-50), qui est pré-entraîné sur [ImageNet-1k](https://huggingface.co/datasets/ILSVRC/imagenet-1k). ResNet est une architecture de réseau de neurones convolutionnels qui a introduit les concepts d’apprentissage résiduel et de connexions par saut, permettant ainsi l’entraînement de modèles beaucoup plus profonds. |
|
|
ResNet-50 v1.5 inclut une amélioration dans les blocs de bottleneck, utilisant une stride de 2 dans la convolution 3x3, ce qui le rend légèrement plus précis que v1 (∼0,5 % en top-1). |
|
|
|
|
|
## Description du Modèle |
|
|
|
|
|
### Classes cibles |
|
|
Le modèle classifie les images dans les 8 catégories suivantes : |
|
|
- 🔋 Batterie |
|
|
- 📦 Carton |
|
|
- 🔗 Métal |
|
|
- 🍓 Organique |
|
|
- 🗳️ Papier |
|
|
- 🧳 Plastique |
|
|
- 🫙 Verre |
|
|
- 👖 Vêtements |
|
|
|
|
|
### Prétraitement |
|
|
Les images du dataset ont été normalisées et redimensionnées à une résolution de 224x224, compatible avec l’entrée du modèle ResNet-50. |
|
|
|
|
|
### Performance |
|
|
Le modèle atteint un **taux de précision global de 94 %** sur le jeu de test du Dataset. Les performances varient légèrement entre les classes en fonction de la diversité des images et des similarités visuelles entre certaines catégories. |
|
|
Voici un simulateur([EcoMind AI](https://ecomind-ai.streamlit.app/)) qui compare notre modèle au ResNet de base et à d'autres technologies telles que Yolo et LLMs (Llama 3.2). |
|
|
|
|
|
## Utilisation prévue & limitations |
|
|
|
|
|
### Cas d'utilisation |
|
|
- Automatisation du tri des déchets pour le recyclage. |
|
|
- Développement d'applications éducatives et interactives sur la gestion des déchets. |
|
|
- Recherche en vision par ordinateur appliquée à l'environnement. |
|
|
|
|
|
### Limitations |
|
|
Ce modèle a été entraîné sur un dataset limité à 8 catégories. Les scénarios impliquant des déchets très spécifiques ou des catégories en dehors de celles mentionnées pourraient nécessiter un retrain ou une extension du dataset. |
|
|
|
|
|
## Comment utiliser ce modèle |
|
|
Voici un exemple de code pour utiliser ce modèle afin de classifier une image : |
|
|
|
|
|
```python |
|
|
``` |
|
|
|
|
|
## Citations et Références |
|
|
|
|
|
Si vous utilisez ce modèle, merci de citer à la fois le modèle de base ResNet-50 et le Dataset : |
|
|
|
|
|
### Modèle de base : |
|
|
```bibtex |
|
|
@inproceedings{he2016deep, |
|
|
title={Deep residual learning for image recognition}, |
|
|
author={He, Kaiming and Zhang, Xiangyu and Ren, Shaoqing and Sun, Jian}, |
|
|
booktitle={Proceedings of the IEEE conference on computer vision and pattern recognition}, |
|
|
pages={770--778}, |
|
|
year={2016} |
|
|
} |
|
|
``` |
|
|
|
|
|
### Dataset Waste Classification : |
|
|
```bibtex |
|
|
@misc{garbageDatasetResNet24, |
|
|
author = {Ferreira et al.}, |
|
|
title = {8 classes Garbage Dataset for ResNet}, |
|
|
year = {2024}, |
|
|
publisher = {Kaggle}, |
|
|
howpublished = {\url{[https://kaggle.com](https://www.kaggle.com/datasets/danielferreiralara/normalized-garbage-dataset-for-resnet)}} |
|
|
} |
|
|
``` |
|
|
|
|
|
## Contact |
|
|
Pour toute question ou suggestion, n’hésitez pas à me contacter à [[email protected]](mailto:[email protected]). |
