Section outline

    • Teachable machine est un site internet qui permet de créer des réseaux neuronaux simples de façon ludique. Nous allons l’utiliser pour créer un réseau de neurones capable de classifier vos échantillons de façon automatique.

      Suivez les étapes suivantes : 

      1. Rendez vous sur le site suivant : https://teachablemachine.withgoogle.com/ 

      2. Cliquez sur le bouton commencer :

      3. Sélectionnez “Projet Images”

      4. Sélectionnez Modèle d’image standard puis réalisez le protocole suivant : 

        1. Définissez autant de classes / catégories que vous avez besoin. Une fois entraîné, le modèle va prédire à quelle catégorie l’image que vous lui donnez appartient. Choisissez donc vos catégories en fonction des résultats que vous souhaitez mais aussi de vos données, ici des images que vous allez acquérir.

        2. Une fois vos classes / catégories créées, réalisez votre banque d’image pour chaque catégorie.

        3. Une fois vos banques d’image réalisées, pour chaque catégorie créée un dossier pour les données d'entraînement et un dossier de test. Associez environ 8 images à l'entraînement pour 2 images dans le test (ratio 80%/20%).

        4. Exécutez l'entraînement du modèle. Cliquez sur “Entrainer le modèle”.

      5. Une fois le premier entrainement terminé : 

        1. cliquez sur “Avancé” pour ouvrir le menu de l'entraînement.

        2. Utilisez le bouton pour obtenir les définitions.

        3. Puis cliquez sur “Options avancées” pour obtenir les mesures de performance de l'entraînement.

      1. Réalisez quelques entraînements en modifiant les paramètres, et observez les résultats à l’aide des “options avancées”.

        1. Quelles sont vos hypothèses ou conclusions sur l’impact des paramètres sur vos résultats ?

        2. Est-ce que votre modèle est en sur-apprentissage ? Si oui, que proposez-vous pour l’éviter ?

      2. Modifiez les paramètres et / ou les catégories jusqu’à ce que vous soyez satisfait, puis prenez les résultats de la matrice de confusion.

      3. Évaluez les résultats du modèle avec les images de tests. Comparez les résultats avec la matrice de confusion. Quelles sont vos conclusions ?

      4. Selon vous quelles sont les raisons des performances du modèle, succès ou échec, et quels sont les moyens d’améliorer ce dernier ? Comment l'utilisez-vous ?