dan-lara/Garbage-Classifier-Resnet-50-Finetuning

Garbage Classification Model (Fine-tuned ResNet-50)

Ce modèle est une version fine-tunée de ResNet-50 pour la classification des images de déchets en 8 catégories, utilisant le Garbage Dataset. Ce modèle est conçu pour des applications environnementales telles que le tri automatique des déchets et la sensibilisation au recyclage.

Modèle de base

Ce modèle est basé sur ResNet-50 v1.5, qui est pré-entraîné sur ImageNet-1k. ResNet est une architecture de réseau de neurones convolutionnels qui a introduit les concepts d’apprentissage résiduel et de connexions par saut, permettant ainsi l’entraînement de modèles beaucoup plus profonds. ResNet-50 v1.5 inclut une amélioration dans les blocs de bottleneck, utilisant une stride de 2 dans la convolution 3x3, ce qui le rend légèrement plus précis que v1 (∼0,5 % en top-1).

Description du Modèle

Classes cibles

Le modèle classifie les images dans les 8 catégories suivantes :

• 🔋 Batterie
• 📦 Carton
• 🔗 Métal
• 🍓 Organique
• 🗳️ Papier
• 🧳 Plastique
• 🫙 Verre
• 👖 Vêtements

Prétraitement

Les images du dataset ont été normalisées et redimensionnées à une résolution de 224x224, compatible avec l’entrée du modèle ResNet-50.

Performance

Le modèle atteint un taux de précision global de 94 % sur le jeu de test du Dataset. Les performances varient légèrement entre les classes en fonction de la diversité des images et des similarités visuelles entre certaines catégories. Voici un simulateur(EcoMind AI) qui compare notre modèle au ResNet de base et à d'autres technologies telles que Yolo et LLMs (Llama 3.2).

Utilisation prévue & limitations

Cas d'utilisation

• Automatisation du tri des déchets pour le recyclage.
• Développement d'applications éducatives et interactives sur la gestion des déchets.
• Recherche en vision par ordinateur appliquée à l'environnement.

Limitations

Ce modèle a été entraîné sur un dataset limité à 8 catégories. Les scénarios impliquant des déchets très spécifiques ou des catégories en dehors de celles mentionnées pourraient nécessiter un retrain ou une extension du dataset.

Comment utiliser ce modèle

Voici un exemple de code pour utiliser ce modèle afin de classifier une image :

Citations et Références

Si vous utilisez ce modèle, merci de citer à la fois le modèle de base ResNet-50 et le Dataset :

Modèle de base :

@inproceedings{he2016deep,
title={Deep residual learning for image recognition},
author={He, Kaiming and Zhang, Xiangyu and Ren, Shaoqing and Sun, Jian},
booktitle={Proceedings of the IEEE conference on computer vision and pattern recognition},
pages={770--778},
year={2016}
}

Dataset Waste Classification :

@misc{garbageDatasetResNet24,
author = {Ferreira et al.},
title = {8 classes Garbage Dataset for ResNet},
year = {2024},
publisher = {Kaggle},
howpublished = {\url{[https://kaggle.com](https://www.kaggle.com/datasets/danielferreiralara/normalized-garbage-dataset-for-resnet)}}
}

Contact

Pour toute question ou suggestion, n’hésitez pas à me contacter à [email protected].