MallowMeter

Auteurs

Ce projet a été réalisé par :

• Maxime JOURNOUD
• Lucas LESCURE
• Aubin SIONVILLE
• Ruben VERCHERE

Nous tenons à remercier l'équipe pédagogique de TSE pour leur accompagnement

Contexte et objectifs

Avez-vous déjà fixé un marshmallow en vous demandant : "Mais quel est son degré exact de cuisson ??" Nous aussi ! C'est pourquoi nous avons consacré des années de recherche intensive (bon, peut-être quelques semaines) à résoudre ce problème crucial qui empêchait l'humanité d'avancer.

MallowMeter est né d'une question existentielle : pourquoi certains marshmallows sont parfaitement dorés tandis que d'autres finissent carbonisés comme s'ils avaient tenté de voyager trop près du soleil ? Notre équipe de "mallowlogues" a donc développé un système révolutionnaire capable de classifier automatiquement les marshmallows en 4 catégories cruciales (de 0 "blanc comme neige" à 3 "carbonisé").

En utilisant des algorithmes de computer vision plus sophistiqués que nécessaire, nous analysons méticuleusement la couleur et la texture des marshmallows. Pourquoi ? Parce que la science des marshmallows est une affaire sérieusement pas sérieuse !

Notre mission : sauver les soirées camping d'une catastrophe marshmallowesque et offrir enfin à l'humanité l'outil qu'elle ignorait désespérément attendre.

Installation

Prérequis

• Python 3.7 ou supérieur
• Pour les librairies, voir requirements.txt

Configuration

1. Clonez ce dépôt :

git clone https://github.com/ASionville/MallowMeter.git
cd MallowMeter

2. Installez les dépendances :

pip install -r [`requirements.txt`](requirements.txt)

Utilisation

Vérification de la base de données

python verif_bdd.py

Cette commande analysera la base de données et générera des visualisations des caractéristiques extraites.

Exécution des modèles

Le programme principal supporte désormais les arguments en ligne de commande, ce qui permet de configurer facilement les tests sans modifier le code source.

Options générales

python main.py --model [knn|cnn] --seed INT --ratio_test FLOAT --log

• --model: Spécifie le modèle à utiliser (knn ou cnn)
• --seed: Graine pour la reproductibilité des résultats (défaut: 42)
• --ratio_test: Proportion des données pour l'ensemble de test (défaut: 0.2)
• --log: Active les logs détaillés pendant l'exécution

Exécution du modèle KNN

python main.py --model knn --seed 42 --ratio_test 0.2 --k 5 --force_recompute

Options spécifiques au KNN:

• --k: Nombre de voisins à considérer (défaut: 5)
• --force_recompute: Force le recalcul des caractéristiques même si elles existent déjà

Exécution du modèle CNN

python main.py --model cnn --seed 42 --ratio_test 0.2 --enrichissement 10 --num_epochs 50 --patience 5 --min_delta 0.001 --batch_size 16 --learning_rate 0.001

Options spécifiques au CNN:

• --enrichissement: Niveau d'enrichissement des données (défaut: 10)
• --num_epochs: Nombre maximum d'époques d'entraînement (défaut: 50)
• --patience: Nombre d'époques sans amélioration avant arrêt (défaut: 5)
• --min_delta: Amélioration minimale considérée significative (défaut: 0.001)
• --batch_size: Taille des batchs (défaut: 16)
• --learning_rate: Taux d'apprentissage (défaut: 0.001)

Exemples d'utilisation

Exécuter KNN avec 7 voisins sur 30% de données de test:

python main.py --model knn --k 7 --ratio_test 0.3

Exécuter CNN avec un fort enrichissement et plus de patience:

python main.py --model cnn --enrichissement 30 --patience 10 --num_epochs 100

Modèles utilisés

KNN (K-Nearest Neighbors)

Le modèle KNN utilise des caractéristiques extraites des images en Lab :

1. Skewness b : Asymétrie de la composante b
2. Écart-type L : Variabilité de la composante L
3. Moyenne b : Moyenne de la composante b
4. Écart-type b : Variabilité de la composante b
5. Contraste b : Contraste de la composante b
6. Homogénéité L : Homogénéité de la composante L
7. Homogénéité b : Homogénéité de la composante b
8. Entropie L : Mesure de désordre de la composante L
9. Entropie b : Mesure de désordre de la composante b
10. Énergie L : Uniformité de la composante L
11. Énergie b : Uniformité de la composante b

CNN (Convolutional Neural Network)

Architecture :

• 4 couches de convolution avec batch normalization et max pooling
• 3 couches fully connected avec dropout pour éviter le surapprentissage
• Entrée : images converties en espace colorimétrique Lab
• Early stopping pour optimiser l'apprentissage

Résultats

Les résultats sont générés dans les dossiers :

• evaluation/boites_a_moustaches/ : Visualisations des caractéristiques extraites
• evaluation/knn/ : Résultats du KNN
• evaluation/cnn/ : Résultats du CNN
• evaluation/results_knn.csv et evaluation/results_cnn.csv : Résultats quantitatifs

Les performances varient selon les paramètres utilisés :

• KNN : Les meilleures performances sont généralement obtenues avec k=5
• CNN : L'enrichissement des données améliore considérablement les performances, surtout avec un enrichissement de niveau 20 ou 30

Nos meilleurs résultats sont les suivants :

• KNN : 76% de bonnes prédictions
• CNN : 87% de bonnes prédictions