# Cloner le repository
git clone https://huggingface.co/360TechEnv/waste-classifier
cd waste-classifier

# Construire et lancer avec Docker
docker-compose up --build -d

Installation locale

bash

# Installer les dépendances
pip install -r requirements.txt

# Lancer l'application
streamlit run app.py

📊 Modèles disponibles

waste_classifier_v1.h5 : Modèle v1 (architecture de base)
waste_classifier_v2.h5 : Modèle v2 (architecture améliorée)

🔧 Configuration

Les modèles sont automatiquement téléchargés au premier lancement. Vous pouvez aussi configurer des URLs personnalisées :

bash

export MODEL_V1_URL="https://huggingface.co/360TechEnv/waste-classifier/resolve/main/models/waste_classifier_v1.h5"
export MODEL_V2_URL="https://huggingface.co/360TechEnv/waste-classifier/resolve/main/models/waste_classifier_v2.h5"

📈 Performance

Modèle v1 : Précision ~54%
Modèle v2 : Précision améliorée

🛠️ Technologies

Streamlit : Interface utilisateur
TensorFlow/Keras : Modèles de deep learning
OpenCV/PIL : Traitement d'images
Docker : Containerisation

📄 Licence

MIT License - Voir le fichier LICENSE pour plus de détails.

🤝 Contribution

Ce projet est open source. N'hésitez pas à contribuer ou signaler des problèmes !

📞 Support

Pour toute question ou problème, créez une issue sur le repository.