Classification d'Images : Chat vs Chien

Ce modèle utilise un réseau de neurones convolutif (CNN) entraîné sur plus de 8 000 images de chats et de chiens. J'ai pu experimenté pas mal de fois différentes configurations en jouant avec les hyper-paramètres jusqu'à stagner dans l'apprentissage sur les configurations les optis que j'avais notés au fur et à mesure. Je pense que je pourrai améliorer les résultats en augmentant le datasets, et/ou en optimisant la transformation d'images pour l'entrainement. Et dans un second temps, j'ai pu essayé le transfert d'apprentissage en utilisant un modèle pré-entraîné (MobileNet) pour optimiser la pérformance et la taille du modèle.

Architecture du modèle :

• Couches de convolution pour extraire les caractéristiques/ Couche pré-entrainté (MobileNetV2)
• Couches de pooling pour réduire la dimensionnalité
• Couches denses pour la classification finale
• Dropout pour éviter le surapprentissage

Performances :

Le modèle atteint une précision de 80% avec les couches CNN entrainé qu'avec ces images. Et 97% avec l'utilisation de transfert d'apprentissage.

Limitations :

Le modèle peut avoir des difficultés avec :

• limitations de l'entrainements avec les couches CNN dûe à la taille du dataset je pense