Aperçu du projet Classification d'images par Deep Learning (CNN)
Data / IATerminé

Classification d'images par Deep Learning (CNN)

Réseau de neurones convolutif entraîné à classer des images, avec data augmentation, dropout et normalisation.

Statut

Terminé

Période

juillet 2026

Contexte

Personnel

Domaine

Data / IA

Technologies

PythonTensorFlowNumPyCNNApprentissage supervisé

01Le projet

C'est mon tout premier projet en Machine Learning. Plus qu'un produit fini, c'est un projet d'exploration et d'apprentissage. Je partais de zéro en IA, et je voulais comprendre concrètement ce qui se passe à l'intérieur d'un réseau de neurones, en le construisant moi-même.

Le sujet choisi est un classique pour débuter, apprendre à un programme à reconnaître si une photo montre un chat ou un chien.

02Ce que j'ai appris en chemin

  • Le fonctionnement d'un réseau de neurones convolutif (CNN), le type de réseau spécialisé dans les images
  • La façon dont un réseau apprend de ses erreurs (la rétropropagation) et ajuste ses réglages
  • L'entraînement par lots, où le modèle apprend sur des petits groupes d'images à la fois
  • Les différences entre les grandes familles du Machine Learning

03Comment fonctionne le modèle

  • Il observe l'image à travers 3 couches successives, qui repèrent des détails de plus en plus complexes (des contours, puis des formes, puis des oreilles ou un museau)
  • Pendant l'entraînement, les images sont légèrement modifiées (tournées, retournées...) pour que le modèle apprenne à reconnaître l'animal sous tous les angles, au lieu de mémoriser les photos par cœur
  • Une partie du réseau est désactivée au hasard à chaque passage, ce qui l'oblige à ne pas trop dépendre de quelques détails

04Le résultat

Une fois entraîné, j'ai testé le modèle sur des photos qu'il n'avait jamais vues. Il identifie correctement s'il s'agit d'un chat ou d'un chien dans environ 84 % des cas, soit près de 9 photos sur 10.

Les courbes d'entraînement (en bleu) et de validation (en vert) progressent ensemble, ce qui montre que le modèle apprend réellement à reconnaître les animaux, sans simplement mémoriser les photos. Vers la fin, l'erreur de validation devient irrégulière et cesse de baisser, alors que celle d'entraînement continue de diminuer. C'est le début du sur-apprentissage, qui indique qu'entraîner plus longtemps n'apporterait plus rien.

05Le bug qui m'a le plus appris

À un moment, le modèle a complètement cessé d'apprendre, et répondait la même chose pour toutes les photos.

La cause était étonnamment simple. Pour un ordinateur, chaque pixel d'une image est un nombre entre 0 et 255, qui représente sa luminosité. Or un réseau de neurones apprend bien mieux avec de petits nombres, entre 0 et 1. J'avais oublié cette conversion. Une seule ligne de code ajoutée a tout débloqué.

Ce bug m'a appris un réflexe que je garde aujourd'hui, toujours vérifier ses données avant de remettre en cause le modèle.

06Ce que j'en retiens

C'était mon premier pas dans le Deep Learning, et je voulais le comprendre de l'intérieur plutôt que de me contenter d'un modèle tout prêt. Construire mon réseau couche par couche m'a obligé à comprendre chaque choix, et c'est cette compréhension, bien plus que le score obtenu, qui me sert aujourd'hui.

J'ai surtout appris à lire ce que me dit un modèle. Une courbe qui stagne ou qui diverge n'est pas un échec, c'est une information, qui indique quoi corriger ensuite. Cette façon de raisonner, faire une hypothèse, la tester, observer et ajuster, est devenue ma méthode de travail sur tous mes projets d'IA.

Ce projet m'a aussi montré tout ce qu'il me restait à découvrir. Avec plus de données ou un modèle pré-entraîné, le résultat pourrait aller bien plus loin, et c'est justement ce que je compte approfondir pendant mon Mastère, notamment en vision par ordinateur.

07Technique

Python et TensorFlow, développé dans des notebooks Jupyter sous VS Code. Réseau à 3 couches de convolution, avec data augmentation et dropout.