In [46]:
# importation les bibliothèques necessaires
import numpy as np
import tensorflow as tf
from tensorflow.keras.applications import VGG16
from tensorflow.keras.models import Model, Sequential
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.preprocessing.image import load_img, img_to_array
from tensorflow.keras.optimizers import Adam
import time
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore")
Chargement de VGG16¶
In [3]:
base_model = VGG16(weights='imagenet',
include_top=False,
input_shape=(224, 224, 3))
Geler les couches du modèle pré-entraîné¶
In [7]:
for layer in base_model.layers:
layer.trainable = False
Ajouter des couches personnalisées¶
In [10]:
model = Sequential([
base_model,
Flatten(),
Dense(256, activation='relu'),
Dense(1, activation='sigmoid')
])
Compilation de modèle¶
In [13]:
model.compile(optimizer = Adam(learning_rate=0.0001),
loss = 'binary_crossentropy',
metrics = ['accuracy'])
Augmentation des données¶
In [16]:
# Préparation le generateur pour des données d'entrainement avec augmentation
train_datagen = ImageDataGenerator(
rescale = 1./255,
rotation_range = 20,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True,
)
# Préparation le generateur pour les données d'entrainement (pas d'augmentation)
validation_datagen = ImageDataGenerator(rescale=1./255)
Chargement des données d'entrainement et validation¶
In [19]:
# chargement des donnees d'entrainement
train_generator = train_datagen.flow_from_directory(
'../Transfer_Learning/trainset',
target_size = (224,224),
batch_size = 32,
class_mode = 'binary'
)
Found 3000 images belonging to 2 classes.
In [21]:
# chargement des donnees de validation
validation_generator = validation_datagen.flow_from_directory(
'../Transfer_Learning/validset',
target_size = (224,224),
batch_size = 32,
class_mode = 'binary'
)
Found 1000 images belonging to 2 classes.
Entraînement du modèle¶
In [28]:
# Heure de début pour suivre la durée de l'entraînement
start_time = time.time()
# entraînement du modèle
history = model.fit(
train_generator,
steps_per_epoch = train_generator.samples // train_generator.batch_size,
epochs = 10,
validation_data = validation_generator,
validation_steps = validation_generator.samples // validation_generator.batch_size
)
# Heure de fin pour calculer le temps total d'entraînement
end_time = time.time()
# Calcul du temps total d'entraînement
print(f"Training completed in {(end_time - start_time):.2f} seconds")
Epoch 1/10 93/93 ━━━━━━━━━━━━━━━━━━━━ 719s 8s/step - accuracy: 0.6640 - loss: 0.6796 - val_accuracy: 0.8690 - val_loss: 0.2884 Epoch 2/10 93/93 ━━━━━━━━━━━━━━━━━━━━ 3s 8ms/step - accuracy: 0.8438 - loss: 0.4096 - val_accuracy: 0.8750 - val_loss: 0.2225 Epoch 3/10 93/93 ━━━━━━━━━━━━━━━━━━━━ 494s 5s/step - accuracy: 0.8432 - loss: 0.3455 - val_accuracy: 0.9073 - val_loss: 0.2143 Epoch 4/10 93/93 ━━━━━━━━━━━━━━━━━━━━ 5s 12ms/step - accuracy: 0.9375 - loss: 0.2567 - val_accuracy: 0.8750 - val_loss: 0.1801 Epoch 5/10 93/93 ━━━━━━━━━━━━━━━━━━━━ 491s 5s/step - accuracy: 0.8767 - loss: 0.2864 - val_accuracy: 0.8841 - val_loss: 0.2685 Epoch 6/10 93/93 ━━━━━━━━━━━━━━━━━━━━ 5s 12ms/step - accuracy: 0.9062 - loss: 0.1890 - val_accuracy: 0.8750 - val_loss: 0.2211 Epoch 7/10 93/93 ━━━━━━━━━━━━━━━━━━━━ 512s 6s/step - accuracy: 0.8738 - loss: 0.3037 - val_accuracy: 0.9002 - val_loss: 0.2228 Epoch 8/10 93/93 ━━━━━━━━━━━━━━━━━━━━ 7s 15ms/step - accuracy: 0.9375 - loss: 0.1443 - val_accuracy: 0.8750 - val_loss: 0.1978 Epoch 9/10 93/93 ━━━━━━━━━━━━━━━━━━━━ 639s 7s/step - accuracy: 0.8975 - loss: 0.2402 - val_accuracy: 0.9224 - val_loss: 0.1817 Epoch 10/10 93/93 ━━━━━━━━━━━━━━━━━━━━ 4s 9ms/step - accuracy: 0.9375 - loss: 0.1769 - val_accuracy: 0.8750 - val_loss: 0.5115 Training completed in 2881.20 seconds
Évaluation lu modèle¶
In [30]:
loss, accuracy = model.evaluate(validation_generator)
print(f"Loss: {loss}, Accuracy: {accuracy *100:.2f}%")
32/32 ━━━━━━━━━━━━━━━━━━━━ 89s 3s/step - accuracy: 0.9137 - loss: 0.1973 Loss: 0.1907556802034378, Accuracy: 91.60%
In [38]:
def predict(model, image_path):
# Charger et préparer l'image
img = load_img(image_path, target_size=(224, 224))
img_array = img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)
img_array = img_array / 255.0
# Prédire la probabilité pour chaque classe
prediction = model.predict(img_array)[0][0]
predicted_class_name = "chien" if prediction > 0.5 else "chat"
# afficher l'image
plt.figure(figsize=(6, 6))
plt.imshow(load_img(image_path))
plt.title(f"Prédit : {predicted_class_name}", fontsize=16)
plt.axis("off")
plt.show()
print(f"Probabilité prédite : {prediction:.2f}")
print(f"Classe prédite : {predicted_class_name}")
return predicted_class_name
In [48]:
# Exemple :
# list des images
image_paths = [
"10249.jpg",
"106.jpg",
"107.jpg",
"11327.jpg",
"11329.jpg",
"11331.jpg"
]
for image_path in image_paths:
predict(model, image_path)
1/1 ━━━━━━━━━━━━━━━━━━━━ 1s 519ms/step
Probabilité prédite : 0.00 Classe prédite : chat 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 112ms/step
Probabilité prédite : 0.00 Classe prédite : chat 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 116ms/step
Probabilité prédite : 0.00 Classe prédite : chat 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 133ms/step
Probabilité prédite : 0.99 Classe prédite : chien 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 149ms/step
Probabilité prédite : 0.91 Classe prédite : chien 1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 130ms/step
Probabilité prédite : 1.00 Classe prédite : chien