Classification d'images CIFAR-10 avec TensorFlow Ce TP présente la mise en œuvre d'un réseau de neurones convolutif (CNN) pour classifier les images du dataset CIFAR-10. Ce travail a été réalisé dans le cadre du cours d'intelligence artificielle.
📋 Présentation du projet L'objectif est de construire un modèle capable de reconnaître 10 catégories d'objets (avions, automobiles, oiseaux, chats, cerfs, chiens, grenouilles, chevaux, bateaux et camions) à partir d'images de 32x32 pixels en couleur.
🛠️ Étapes principales Le notebook suit une méthodologie rigoureuse en plusieurs étapes :
Préparation de l'environnement : Importation des bibliothèques essentielles telles que numpy, matplotlib et les modules de tensorflow.keras.
Chargement des données : Téléchargement du jeu de données CIFAR-10, composé de 50 000 images d'entraînement et 10 000 images de test.
Prétraitement :
Normalisation des pixels des images (division par 255) pour faciliter la convergence du modèle.
Encodage des étiquettes (labels) au format one-hot encoding.
Visualisation d'exemples d'images pour comprendre les données.
Construction du modèle : Création d'une architecture Sequential comprenant des couches de convolution (Conv2D), de pooling (MaxPooling2D), de régularisation (Dropout) et des couches denses (Dense).
Entraînement et Sauvegarde : Compilation et entraînement du modèle, suivi de sa sauvegarde au format .h5 pour une utilisation ultérieure.
🏗️ Architecture du Modèle Le réseau utilisé est un modèle de type Sequential optimisé pour la vision par ordinateur, utilisant :
Des couches Conv2D pour l'extraction des caractéristiques spatiales.
Des couches MaxPooling2D pour réduire la dimensionnalité.
Le Dropout pour éviter le surapprentissage (overfitting).
Une couche finale avec une activation Softmax pour la classification multi-classe (10 classes).
🚀 Installation et Utilisation Prérequis :
- Python 3.x
- TensorFlow / Keras
- Numpy
- Matplotlib
Exécution Pour exécuter ce projet, ouvrez le fichier TP_CIFAR10_2025.ipynb dans un environnement Jupyter Notebook ou Google Colab et exécutez les cellules séquentiellement.
📁 Fichier du dépôt TP_CIFAR10_2025.ipynb : Le notebook contenant l'intégralité du code et des explications.