Update README.md

# 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.

## 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]).

README.md

@@ -7,6 +7,8 @@ base_model:
 pipeline_tag: image-classification
 library_name: transformers
 tags:
-  - image-classification
-  - vision
+- image-classification
+- vision
+- recycling
+- environment
 ---