Classification d’Images CIFAR-10 · Deep Learning & Transfer Learning

Ce projet présente un pipeline complet de Vision par Ordinateur appliqué au dataset académique CIFAR‑10.
Il compare trois architectures Deep Learning afin d’illustrer les gains obtenus grâce au Transfer Learning et à la Data Augmentation.

---

Objectifs et contexte

L’objectif est de classifier des images de 32×32 pixels en 10 catégories (Avion, Voiture, Chat, Chien, etc.).
Le projet suit une progression logique : d’un modèle simple vers un modèle avancé.

Architectures comparées

1. MLP (Baseline) - Perceptron Multicouche pour établir un score de référence
2. CNN Custom (From Scratch) - Architecture convolutive de type VGG (Conv2D + MaxPooling + BatchNormalization)
3. EfficientNetB0 (État de l’Art) - Utilisation de Transfer Learning (poids ImageNet) combiné au Fine-Tuning et à la Data Augmentation

---

Méthodologie et Stack cechnique

Ce projet respecte les standards MLOps et les bonnes pratiques de Data Science

Data Engineering

• Split rigoureux 80% Train / 20% Test avec stratification (respect de la distribution des classes)
• Normalisation des données et encodage One-Hot des labels
• Pipeline de Data Augmentation (Rotation, Zoom, Contraste, Flip) intégré au modèle final pour réduire le sur-apprentissage

Optimisation

• Utilisation de l'optimiseur Adam
• Callbacks pour le pilotage : EarlyStopping (arrêt précoce) et ReduceLROnPlateau (ajustement du taux d'apprentissage)

Évaluation

• Analyse des courbes d'apprentissage (Loss/Accuracy)
• Matrices de confusion et Rapports de classification (F1-Score)

---

Organisation du Projet

Voici la structure du dépôt :

deepvision-cifar10-classifier/
│
├── models/
│   └── best_model_efficientnet_aug.h5        # Modèle final entraîné (93% acc)
│
├── notebooks/
│   └── Projet_Vision_CIFAR10.ipynb           # Notebook complet (EDA, Training, Eval)
│
├── app.py                                    # Application Streamlit
├── requirements.txt                           # Dépendances Python
└── README.md                                  # Documentation du projet

---

Résultats et analyse

Modèle	Architecture	Technique	Accuracy Test	Observations
MLP	Fully Connected	Baseline	~48%	Limité par la perte de structure spatiale (Flatten)
CNN Custom	From Scratch	From Scratch	~75%	Bonne détection des formes, mais limité par la taille du dataset
EfficientNetB0	TL + Data Augmentation	Fine‑Tuning	93%	Performance excellente

---

Impact de la Data Augmentation

L'ajout de transformations aléatoires a réduit les confusions entre classes morphologiquement proches, améliorant nettement la robustesse du modèle

Classe	F1‑Score
Chat 🐱	↑ 0.87
Chien 🐶	↑ 0.90
Oiseau 🐦	↑ 0.93

Une matrice de confusion complète est disponible dans le notebook.

---

Installation & Utilisation

Vous pouvez tester le modèle directement sur votre machine via l'interface graphique

1. Cloner le projet

git clone https://github.com/VOTRE_NOM_UTILISATEUR/deepvision-cifar10-classifier.git
cd deepvision-cifar10-classifier

2. Installer les dépendances

Il est recommandé d'utiliser un environnement virtuel

pip install -r requirements.txt

3. Lancer l’application Streamlit

streamlit run app.py

Une interface web s’ouvrira automatiquement.
Vous pourrez y glisser une image (chat, avion, chien, etc.) pour obtenir une prédiction en temps réel.

---

Auteur

Projet réalisé par Mohamed Lamine OULD BOUYA
Data Scientist / Ingénieur Deep Learning
Portfolio : https://github.com/Momo3972/Portfolio-Data-IA

Dernière mise à jour : Décembre 2025 - Propulsé par TensorFlow & Streamlit