Classification d'Images (ML/DL)

Contexte

Projet E5 sur la classification d'images avec plusieurs datasets (MNIST, Dogs vs Cats, Intel Image Classification) pour comparer des approches de Machine Learning et Deep Learning.

Objectifs

• Construire un pipeline complet de preprocessing et d'entraînement.
• Comparer ORB + Bag of Visual Words + SVM avec un CNN Keras.
• Mesurer les performances avec accuracy et matrice de confusion.

Approche technique

Pipeline data en Python/OpenCV, extraction de descripteurs ORB, vectorisation Bag of Visual Words, apprentissage supervisé avec SVM (scikit-learn), puis implémentation d'un CNN avec TensorFlow/Keras.

Résultats & enseignements

Le projet a permis une comparaison claire des compromis ML vs DL selon les datasets et les coûts d'entraînement, avec analyse des erreurs pour identifier les classes les plus ambiguës.