Reconnaissance alimentaire
Comparaison de SVM, Random Forest, CNN et ResNet-50 sur Food2k : 2 000 catégories et environ un million d’images, avec une application Streamlit interactive.
Explorer le projet
Les technologies.
Python
PyTorch- torchvision
scikit-learn
OpenCV
Streamlit
NumPy
Pandas
Matplotlib
Seaborn
CUDA
TensorBoard
Au cœur du projet .
Ce projet compare quatre approches de classification d’images alimentaires sur Food2k, qui comprend 2 000 catégories et environ un million d’images.
Les méthodes classiques SVM et Random Forest utilisent des caractéristiques extraites par ResNet-50 ou construites avec HOG, histogrammes de couleur, LBP et filtres de Gabor. Les approches de deep learning comprennent un CNN de cinq blocs d’environ quatre millions de paramètres et un ResNet-50 ajusté en deux étapes par transfert d’apprentissage.
L’entraînement utilise une perte pondérée, la précision mixte sur GPU et une mise en cache des caractéristiques. L’évaluation mesure la précision Top-1/Top-5, le score F1 et le temps d’inférence. Le SVM avec caractéristiques CNN a atteint 90,47 % de précision Top-1 ; le CNN personnalisé a atteint 96,73 % sur un sous-ensemble de 20 classes.
L’application Streamlit permet d’envoyer une image, comparer les prédictions et niveaux de confiance des modèles et visualiser leurs activations via les hooks PyTorch.
Un regard de plus près .
5 images
