Découvrir le jeu de données, examiner les images et leurs étiquettes, puis explorer sa structure avant de préparer les données pour l’entraînement
Compréhension du problème et des données
Découvrir le jeu de données, examiner les images et leurs étiquettes, puis explorer sa structure avant de préparer les données pour l’entraînement
Un modèle apprend à partir des exemples qu’on lui fournit. Dans ce tutoriel, nous allons explorer un jeu de données existant composé d’images de chats et de chiens, en examinant son contenu, ses étiquettes et son organisation. Cette étape nous aidera à comprendre la nature des données, à définir le problème et à choisir la stratégie de machine learning la plus adaptée avant d’entraîner le modèle.
À la fin de ce tutoriel, vous saurez :
Un jeu de données peut provenir de différentes sources :
Dans ce projet, nous avons choisi la troisième solution : nous utilisons le jeu de données public Cats vs Dogs, disponible dans la bibliothèque TensorFlow Datasets.
dataset, info = tfds.load(
"cats_vs_dogs", # Nom du jeu de données
split="train", # Partie d'entraînement
as_supervised=True, # Chaque élément contient une image et son étiquette
with_info=True
)
print("Dataset téléchargé !")
print("Classes :", info.features["label"].names)
Avant de préparer les données, nous devons connaître leur structure : combien d’images contient le jeu de données, quelles sont les classes, quelle est la taille des images et quel type de valeurs prennent les pixels.
classes = info.features["label"].names
nombre_images = info.splits["train"].num_examples
comptes_classes = Counter()
formes_images = Counter()
minimum_pixel = 255
maximum_pixel = 0
premiere_image = None
premiere_classe = None
for image, etiquette in tfds.as_numpy(dataset):
nom_classe = classes[int(etiquette)]
comptes_classes[nom_classe] += 1
formes_images[image.shape] += 1
minimum_pixel = min(minimum_pixel, int(image.min()))
maximum_pixel = max(maximum_pixel, int(image.max()))
if premiere_image is None:
premiere_image = image
premiere_classe = nom_classe
print("Nombre total d'images :", nombre_images)
print("Classes :", classes)
print("Nombre d'images par classe :", comptes_classes)
print("Nombre de formes d'image différentes :", len(formes_images))
print("Formes les plus fréquentes :", formes_images.most_common(5))
print("Type des pixels :", premiere_image.dtype)
print("Valeur minimale des pixels :", minimum_pixel)
print("Valeur maximale des pixels :", maximum_pixel)
Le jeu de données contient 23 262 images réparties en deux classes : chat (11 658 images) et chien (11 604 images). Les images ont des dimensions très variables (6 462 formes différentes) ; la forme la plus fréquente est 375 × 500 pixels (hauteur × largeur). Chaque image couleur possède trois canaux RGB, et ses pixels sont stockés au format uint8, avec des valeurs comprises entre 0 et 255.
classes = info.features["label"].names # Noms des classes
plt.figure(figsize=(10, 6)) # Définir la taille de la figure
for i, (image, etiquette) in enumerate(tfds.as_numpy(dataset.take(6))):
plt.subplot(2, 3, i + 1) # Placer chaque image dans une grille de 2 × 3
plt.imshow(image) # Afficher l'image
plt.title(classes[int(etiquette)]) # Afficher son étiquette
plt.axis("off") # Masquer les axes
plt.tight_layout()
plt.show()
Le jeu de données est équilibré, étiqueté et très varié. Il nécessite deux traitements :
Ces opérations sont l’objet de l’étape suivante, la préparation des données.