https://github.com/hajaarh/malaria_hematie_cnn
Algorithme de réseaux de neurones convolutionnels
https://github.com/hajaarh/malaria_hematie_cnn
numpy pandas python resnet-50 sklearn-library tensorflow vgg16
Last synced: 3 months ago
JSON representation
Algorithme de réseaux de neurones convolutionnels
- Host: GitHub
- URL: https://github.com/hajaarh/malaria_hematie_cnn
- Owner: Hajaarh
- Created: 2025-02-19T21:26:10.000Z (over 1 year ago)
- Default Branch: main
- Last Pushed: 2025-02-24T14:32:38.000Z (over 1 year ago)
- Last Synced: 2025-12-26T03:55:43.139Z (7 months ago)
- Topics: numpy, pandas, python, resnet-50, sklearn-library, tensorflow, vgg16
- Language: Jupyter Notebook
- Homepage:
- Size: 555 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Classification d'Images avec CNN - Détection d'Infections
## Introduction
Ce projet porte sur la **classification d’images** à l’aide de **réseaux de neurones convolutifs (CNN)**, dans le but d’identifier si une image appartient à une **classe infectée ou non infectée**. L’objectif est d’entraîner différents modèles de deep learning pour comparer leurs performances et identifier le modèle le plus performant pour cette tâche.
Nous avons travaillé avec **trois approches différentes** :
1. **Un modèle CNN entraîné from scratch** (construit sans modèle pré-entraîné).
2. **Un modèle basé sur VGG16** avec fine-tuning.
3. **Un modèle basé sur ResNet50**, également ajusté pour notre dataset.
Les modèles ont été entraînés sur un dataset d’images contenant deux classes distinctes, et évalués en fonction de plusieurs métriques de classification :
- **Accuracy** : Précision globale du modèle
- **Precision** : Taux de bonnes prédictions par classe
- **Recall (Sensibilité)** : Capacité à détecter les cas positifs
- **F1-score** : Équilibre entre précision et recall
- **AUC-ROC** : Capacité à distinguer les classes
Les résultats sont visualisés à l’aide de **matrices de confusion** et de **courbes ROC**, permettant d’analyser la robustesse et la fiabilité de chaque modèle.
Ce projet est une **première approche** du deep learning appliqué à la classification d’images et vise à comprendre **les avantages et inconvénients des architectures CNN pré-entraînées et celles développées from scratch**.
**Objectif final : choisir le meilleur modèle et optimiser ses performances pour une utilisation future.**