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.
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).
Les images du dataset ont été normalisées et redimensionnées à une résolution de 224x224, compatible avec l’entrée du modèle ResNet-50.
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).
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.
Si vous utilisez ce modèle, merci de citer à la fois le modèle de base ResNet-50 et le Dataset :
1@inproceedings{he2016deep,
2title={Deep residual learning for image recognition},
3author={He, Kaiming and Zhang, Xiangyu and Ren, Shaoqing and Sun, Jian},
4booktitle={Proceedings of the IEEE conference on computer vision and pattern recognition},
5pages={770--778},
6year={2016}
7}
1@misc{garbageDatasetResNet24,
2author = {Ferreira et al.},
3title = {8 classes Garbage Dataset for ResNet},
4year = {2024},
5publisher = {Kaggle},
6howpublished = {\url{[https://kaggle.com](https://www.kaggle.com/datasets/danielferreiralara/normalized-garbage-dataset-for-resnet)}}
7}
Pour toute question ou suggestion, n’hésitez pas à me contacter à
daniel.ferreira_lara@etu.sorbonne-universite.fr.
