SF-mask-detection

SF Mask Detection

Ce projet utilise MobileNetV2 pour une tâche de détection de masques faciaux à partir d'images. Nous appliquons le transfert d'apprentissage en utilisant un modèle pré-entraîné sur ImageNet pour classifier les images en deux catégories : compliant (avec masque) et non-compliant (sans masque).

Fonctionnalités

• Transfert d'apprentissage : Utilisation de MobileNetV2 pour tirer parti des connaissances acquises sur ImageNet.
• Sous-échantillonnage du dataset : Possibilité de travailler avec un sous-ensemble des données (par exemple, 33 % du dataset de base).
• Enregistrement des résultats :
  • Fichiers JSON : Les métriques d'entraînement (perte, précision, temps, etc.) sont stockées dans training_metrics.json.
  • Graphiques : Les courbes de perte (loss) et de précision (accuracy) sont sauvegardées au format PNG/HTML dans le dossier training.
  • Modèle sauvegardé : Les poids du modèle sont enregistrés dans un fichier .pth avec un nom horodaté.

Dataset Utilisé : SF-MASK-padded

Le dataset utilisé pour l'entraînement et les tests est contenu dans le dossier SF-MASK-padded. Ce dataset a subi des modifications spécifiques pour améliorer les performances des modèles :

• Structure : Le dataset est organisé en deux sous-dossiers :

  • compliant/ : Contient les images de personnes portant correctement un masque.
  • non-compliant/ : Contient les images de personnes ne portant pas de masque ou le portant de manière incorrecte.

• Préprocessing effectué :

  • Toutes les images ont été préalablement redimensionnées et centrées pour faciliter leur traitement par les modèles.
  • Les marges autour des objets principaux ont été ajustées pour une meilleure homogénéité dans la taille et l'alignement.

Utilisation dans le Notebook

Dans le notebook fourni avec ce projet, seul le dataset SF-MASK-padded est utilisé pour :

• L'entraînement : Les images sont transformées et utilisées pour entraîner le modèle MobileNetV2.
• Les tests : Les images du même dataset sont utilisées pour valider les performances du modèle.

---

Configuration de l'environnement

Prérequis

• Python 3.10+
• Conda pour la gestion des dépendances

Installation de l'environnement

1. Clonez le dépôt GitHub :

   git clone git@github.com:WacimN/SF-mask-detection.git
   cd SF-mask-detection

2. Configurez l'environnement avec Conda :

   conda env create -f environment.yml
   conda activate sf-mask-detection

3. Assurez-vous que PyTorch est installé correctement avec le GPU activé (si disponible).

---

Utilisation

Entraînement du modèle

1. Exécutez l'entraînement avec un sous-ensemble des données :

   • Par défaut, 33 % des images du dataset sont utilisées pour l'entraînement et le test.
   • Les tailles des sous-ensembles sont affichées automatiquement.

   Exemple de configuration :

   proportion = 0.33  # Pourcentage du dataset à utiliser

2. À la fin de l'entraînement, vous obtiendrez :

   • Fichier des poids : mobilenetv2_trained_<date_heure>.pth
   • Métriques d'entraînement dans training_metrics.json
   • Graphiques de perte et précision dans training/

Test du modèle

Pour tester une image, exécutez le script de prédiction dans la partie ## Prediction by hand du Notebook.

---

Résultats sauvegardés

Fichiers générés

Pour chaque session d'entraînement, les fichiers suivants sont créés avec un horodatage unique :

• Graphiques : Courbes de perte et précision (PNG/HTML)
• Poids du modèle : Fichier .pth contenant les paramètres entraînés
• Fichier JSON : Résumé des métriques d'entraînement avec détails (nombre d'epochs, temps total, etc.)

---

Contribution

Les contributions sont les bienvenues ! Si vous trouvez des bugs ou souhaitez proposer des améliorations, ouvrez une issue ou soumettez une pull request.