Ce cahier Jupyter est dédié à la classification des sports olympiques à partir d'images télévisées grâce à des techniques d'apprentissage en profondeur. L'objectif est de concevoir un modèle qui identifie de manière autonome le sport illustré dans une image issue des diffusions télévisées des Jeux Olympiques.
Nous avons exploré deux architectures de modèles de deep learning : les Réseaux de Neurones Convolutifs (CNN) et GoogleNet. Ces architectures sont choisies pour leur efficacité reconnue dans les tâches de reconnaissance d'images.
- Le modèle CNN a été entraîné sur un ensemble de données composé d'images télévisées variées des Jeux Olympiques.
- La précision du modèle sur les données d'entraînement et de validation peut être visualisée dans l'image
CNNAccuracy.png. - Le modèle entraîné est exporté sous le nom
modelCNN32_(333, 187).keras.
- GoogleNet est une architecture plus complexe, connue pour sa capacité à capturer des caractéristiques d'image à différentes échelles.
- La performance de GoogleNet est illustrée dans l'image
GoogleNetAccuracy.png. - L'architecture détaillée de GoogleNet est représentée dans l'image
architecture.png. - Le modèle GoogleNet entraîné est sauvegardé sous le nom
modelGooglenet32_(333, 187).keras.
Les graphiques de précision pour les deux modèles montrent l'évolution de la capacité de classification au fil des époques. Ces métriques sont cruciales pour évaluer les performances et l'efficacité des modèles proposés.
Ce système de reconnaissance visuelle vise à automatiser la classification des contenus sportifs dans les médias, ce qui peut grandement améliorer l'organisation et l'accessibilité des archives télévisuelles des Jeux Olympiques.
modelGooglenet32_(333, 187).keras: Export du modèle GoogleNet.modelCNN32_(333, 187).keras: Export du modèle CNN.
