Tous les projets

IA & données

Reconnaissance de panneaux routiers

Un réseau convolutif qui reconnaît 43 classes de panneaux routiers allemands, avec 98,45 % d’exactitude sur le jeu de test officiel, proche du niveau humain.

  • Terminé
  • Projet individuel
Voir le code sur GitHub En parler avec moi
exactitude sur le test officiel
98,45 %
référence humaine sur ce benchmark
98,84 %
classes de panneaux
43
grâce à l’augmentation
+1,15 pt

01Le point de départ

Contexte & mission

Le problème

Une brique de perception pour l’aide à la conduite doit distinguer des panneaux qui se ressemblent beaucoup. Et un score n’a de valeur que s’il est mesuré sur des données vraiment inédites.

La mission

Entraîner un classifieur sur le German Traffic Sign Recognition Benchmark (GTSRB) et mesurer honnêtement ses performances.

Mon rôle

Projet mené seul, de la préparation des données à l’analyse des résultats.

02Réalisation

Ce que j’ai fait

  1. Prétraitement

    Égalisation d’histogramme sur le canal de luminosité HSV, images redimensionnées en 48×48.

  2. Modèle

    CNN de type VGG d’environ 1,36 M de paramètres, entraîné avec Keras et TensorFlow.

  3. Augmentation adaptée au domaine

    Rotations, décalages, zoom et cisaillement, mais aucun retournement horizontal : il inverserait les panneaux « gauche » et « droite ».

  4. Évaluation honnête

    La précision de validation (~99,8 %) surestime la réalité : les images GTSRB viennent de vidéos, donc un découpage aléatoire laisse passer des quasi-doublons. Le chiffre retenu est celui du test officiel.

03Conception

Architecture

Un pipeline en notebook : préparation des images, augmentation à la volée pendant l’entraînement, CNN de type VGG, puis évaluation sur les 12 630 images du test officiel, gardées à l’écart de tout le reste.

Le pipeline
  1. GTSRB43 classes
  2. PrétraitementHSV · 48×48
  3. AugmentationSans retournement
  4. CNN type VGG~1,36 M paramètres
  5. Test officiel12 630 images

04Impact

Résultats

  • 98,45 % sur les 12 630 images du test officiel, proche de la référence humaine (98,84 %).
  • L’augmentation de données fait passer l’exactitude de 97,30 % à 98,45 %.
  • La fuite de données du découpage aléatoire est identifiée et documentée.

05Bilan

Ce que j’en retiens

Ce que ce projet démontre

Que je ne m’arrête pas au meilleur chiffre : je choisis des augmentations qui respectent le domaine et je repère la fuite de données qui gonflerait les résultats.

06Technologies

Stack complète

  • Python
  • TensorFlow
  • Keras
  • CNN
  • scikit-image
  • scikit-learn
  • NumPy
  • pandas
  • Matplotlib
  • Jupyter

À découvrir aussi