CNN Image Classification on Multi-Resolution Vegetable Dataset

Présentation du projet

Une comparaison pédagogique d’architectures convolutives, de résolutions d’image et d’augmentation de données pour classifier des légumes.

Une étude de classification d’images de légumes comparant des architectures convolutives à deux résolutions et avec différents paramètres d’augmentation. Elle associe correction des données, prétraitement répétable et évaluation de résultats expérimentaux historiques.

Au cœur de cette réalisation

• Comparé 11 classes de légumes sur des entrées en niveaux de gris de 23×23 et 101×101, avec et sans augmentation.
• Corrigé les noms des dossiers de validation et de test et les images de carottes mal classées, avec des outils disposant d’un mode simulation.
• Exploré les familles CNN Sequential, Functional, résiduelles, de type Inception et à convolutions séparables en profondeur.
• Documenté une recherche historique Sequential avec une exactitude de validation de 0.908 et une exécution distincte atteignant environ 94.2% d’exactitude de test ; ces résultats ne désignent pas une architecture universellement gagnante.
• Ajouté 13 tests sous Python 3.11 et 3.12, avec 48% de couverture globale.
• Consigné les effectifs des partitions et les artefacts de reproductibilité manquants, dont les poids des modèles et les comparaisons à graines multiples.

Code source et liens