Exemple TensorFlow - Projet de classification d'images
La classification d'images est l'une des tâches les plus fondamentales et les plus importantes en vision par ordinateur. Ce projet utilisera le framework TensorFlow pour construire un modèle d'apprentissage profond capable de reconnaître différentes catégories d'images.
Qu'est-ce que la classification d'images
La classification d'images est une technique qui permet aux ordinateurs d'identifier automatiquement la catégorie à laquelle appartient l'objet principal d'une image. Par exemple :
- Reconnaître si une photo contient un chat ou un chien
- Distinguer entre différents types de fleurs
- Déterminer les types de lésions dans les images médicales
Sélection de la technologie
Nous utiliserons la pile technologique suivante :
- TensorFlow: framework d'apprentissage profond grand public de Google
- Keras: API de haut niveau de TensorFlow, simplifie la construction de modèles
- Matplotlib: utilisé pour visualiser le processus d'entraînement et les résultats
Configuration de l'environnement
Installer les bibliothèques requises
pip install tensorflow matplotlib numpy
Vérifier l'installation
import tensorflow as tf
print(f"TensorFlow 版本: {tf.__version__}")
Préparation du jeu de données
Nous utiliserons le jeu de données classique CIFAR-10, qui contient 60,000 images couleur 32x32 en 10 catégories.
Charger le jeu de données
Exemple
# Charger les données
(train_images, train_labels), (test_images, test_labels) = cifar10.load_data()
# Noms des classes
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer',
'dog', 'frog', 'horse', 'ship', 'truck']
3.2 Prétraitement des données
Exemple
train_images = train_images / 255.0
test_images = test_images / 255.0
# Afficher la forme des données
print("Forme des images de l'ensemble d'entraînement :", train_images.shape)
print("Forme des étiquettes de l'ensemble d'entraînement :", train_labels.shape)
4. Construire le modèle
4.1 Architecture du modèle
Nous allons construire un réseau de neurones convolutif (CNN), qui est une architecture classique pour les tâches d'image.
Exemple
model = models.Sequential([
# Couche convolutive 1
layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)),
layers.MaxPooling2D((2, 2)),
# Couche convolutive 2
layers.Conv2D(64, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
# Couche convolutive 3
layers.Conv2D(64, (3, 3), activation='relu'),
# Couche entièrement connectée
layers.Flatten(),
layers.Dense(64, activation='relu'),
layers.Dense(10) # Couche de sortie, 10 classes
])
Visualisation de la structure du modèle

Entraîner le modèle
Compiler le modèle
Exemple
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
Démarrer l'entraînement
Exemple
validation_data=(test_images, test_labels))
Visualisation du processus d'entraînement
Exemple
plt.plot(history.history['accuracy'], label='Précision de l'entraînement')
plt.plot(history.history['val_accuracy'], label='Précision de la validation')
plt.xlabel('Époque')
plt.ylabel('Précision')
plt.ylim([0, 1])
plt.legend(loc='lower right')
plt.show()
Évaluation et prédiction du modèle
Évaluer les performances de l'ensemble de test
Exemple
print(f'\nPrécision du test : {test_acc}')
Faire des prédictions
Exemple
# Ajouter une couche softmax pour produire des probabilités de sortie
probability_model = tf.keras.Sequential([model, layers.Softmax()])
# Faire des prédictions sur les 5 premières images de l'ensemble de test
predictions = probability_model.predict(test_images[:5])
# Afficher les résultats de prédiction
for i in range(5):
predicted_label = np.argmax(predictions[i])
true_label = test_labels[i][0]
print(f"Prédiction : {class_names[predicted_label]} | Réel : {class_names[true_label]}")
Suggestions d'extension du projet
Méthodes pour améliorer les performances du modèle
- Augmenter la profondeur du réseau (plus de couches convolutionnelles)
- Utiliser des techniques d'augmentation des données
- Essayer différents optimiseurs et taux d'apprentissage
- Ajouter des couches de normalisation par lots
Pistes d'application pratiques
- Analyse d'images médicales
- Reconnaissance d'objets en conduite autonome
- Systèmes d'inspection de la qualité industrielle
- Systèmes de surveillance de sécurité
8. Questions fréquemment posées
Q1 : Pourquoi choisir un CNN au lieu d'un réseau de neurones classique ?
R : Grâce aux connexions locales et au partage des poids, un CNN peut mieux capturer les caractéristiques spatiales des images et possède moins de paramètres.
Q2 : Comment choisir le nombre approprié d'époques ?
R : Surveillez la précision de validation et arrêtez l'entraînement lorsqu'elle cesse de s'améliorer pour éviter le surapprentissage.
Q3 : Que faire si vous rencontrez une erreur de mémoire insuffisante ?
R : Vous pouvez réduire la taille du lot ou utiliser des dimensions d'image plus petites.
Autres extensions