14
Classification Chats vs Chiens
CNN pour classer des images de chats et de chiens. Augmentation de données, entraînement et optimisation du modèle sur le dataset Kaggle.
Accuracy : 78%
Stack
Que s'est-il passé ?
- 01
La question
Un CNN entraîné sur Kaggle peut-il vraiment apprendre la différence entre un chat et un chien ?
- 02
Le problème
Les images varient : fond, taille, position. Un réseau naïf mémorise au lieu de généraliser.
- 03
L'hypothèse
Avec de l'augmentation de données et une architecture CNN classique, le réseau apprendra des motifs généralisables.
- 04
Le build
CNN entraîné sur le dataset Kaggle Cats vs Dogs : augmentation de données, entraînement, optimisation des hyperparamètres.
- 05
L'échec
78% d'accuracy, c'est bien… mais les erreurs n'étaient pas aléatoires : les chats à poils courts et les chiens sombres se confondaient.
- 06
La découverte
Les erreurs racontent ce que le modèle n'a pas vu. L'augmentation de données a aidé, mais certaines classes restent intrinsèquement proches.
- 07
Le résultat
Un classifieur à 78% d'accuracy, entraîné et optimisé sur le dataset Kaggle.
- 08
La prochaine frontière
Transfer learning sur un modèle pré-entraîné (ResNet), calibration, et analyse fine des erreurs.