Skip to content

Ce projet a pour but de créer une application qui permet de détecter la race d'un chien sur une photo. Pour y parvenir, nous allons utiliser des algorithmes de deep learning.

Notifications You must be signed in to change notification settings

BiGHeaDMaX/Identifier-Races-Chiens-avec-TensorFlow

Repository files navigation

Introduction

Ce projet vise à élaborer un modèle qui permet de prédire la race d'un chien présent sur une image.
Les images utilisées pour l'entraînement proviennent du Stanford Dogs Dataset.

Contenu de ce repository

  • 01 - Analyse et prétraitements.ipynb : rapide analyse exploratoire du dataset et prétraitements des images.
  • 02 - Modèle personnel.ipynb : élaboration et entraînement complet d'un réseau de neurones.
  • 03 - Transfert learning.ipynb : utilisation de modèles préentraînés dont nous réentraînons les dernières couches pour adapter ces derniers à notre problématique.
  • 04 - Application.py : application Streamlit avec le meilleur modèle pour faire des prédictions sur de nouvelles photos.
  • 05 - Présentation.pptx : support de présentation.

Note
02 - Modèle personnel.ipynb et 03 - Transfert learning.ipynb ont été conçus pour fonctionner avec une carte graphique nVidia. Ils peuvent fonctionner sans carte graphique, mais leur exécution sera beaucoup plus longue.

Article associé

Retrouvez l'article de présentation de ce projet ici.

Utiliser une carte graphique pour accélérer les calculs avec Tensorflow sous Windows

Il n'est plus possible d'utiliser directement sa carte graphique avec Tensorflow sous Windows. Il va falloir lancer un système Linux, pour ce faire, nous allons utiliser WSL (Windows Subsystem for Linux).
Le plus souvent, les problèmes proviennent d'une incompatibilité entre Tensorflow et les drivers nVidia, il ne faut donc pas toujours utiliser les dernières versions.

Installer et lancer une distribution Linux

  • Sous Windows, lancer une invite de commande et taper : wsl --install
    Suivre les instructions, indiquer un nom d'utilisateur (il peut être différent de celui sur Windows)
  • Lancer le système d'exploitation installé : wsl -d Ubuntu
    Préciser "Ubuntu" permet de lancer le bon système, car plusieurs peuvent coexister (par exemple Docker)

Installation des pilotes, des bibliothèques et mise en place

  • Une fois sous Linux, entrer les commandes suivantes :
wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin
sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda-repo-wsl-ubuntu-11-8-local_11.8.0-1_amd64.deb
sudo dpkg -i cuda-repo-wsl-ubuntu-11-8-local_11.8.0-1_amd64.deb
sudo cp /var/cuda-repo-wsl-ubuntu-11-8-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda
  • Les chemins vers certains fichiers doivent être précisés :
echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.zshrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH' >> ~/.zshrc
sudo ln -s /usr/lib/wsl/lib/libcuda.so.1 /usr/local/cuda/lib64/libcuda.so
  • Aller sur ce site (il faut créer un compte, c'est rapide et gratuit) et télécharger cuDNN pour CUDA 11.x pour Linux.
  • Mettre le fichier compressé dans le dossier dans lequel on se trouve. Le nom du fichier .tar.xz peut varier, adapter en conséquence et entrer les commandes suivantes :
tar -xvf cudnn-linux-x86_64-8.9.4.25_cuda11-archive.tar.xz
cd cudnn-linux-x86_64-8.9.4.25_cuda11-archive
sudo cp -P include/* /usr/local/cuda/include/
sudo cp -P lib/* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*
sudo ldconfig /usr/local/cuda/lib64
  • Installer Python, Tensorflow et d'autres bibliothèques si besoin :
sudo apt update && sudo apt upgrade
sudo apt install python3-pip
pip install --upgrade pip
pip install --upgrade pip setuptools wheel
pip install tensorflow

Si besoin (carte graphique non détectée lors de l'exécution de votre code) :
pip install tensorflow[and-cuda]

Quelques commandes utiles

  • Accéder aux dossiers de votre système Linux depuis l'explorateur Window :
    \\wsl.localhost\Ubuntu\home\Nom_Utilisateur
  • Afficher tous les fichiers/dossiers (y compris cachés avec -la) :
    ls -la
  • Accéder aux fichiers Windows depuis Ubuntu WSL, revenir à la racine si besoin (cd ..), puis :
    cd mnt/c
  • Afficher où on se trouve actuellement :
    pwd
  • Lancer un fichier python depuis Powershell (par exemple), en utilisant WSL :
    wsl -d Ubuntu python3 hello.py
  • Supprimer Ubuntu :
    wsl --unregister Ubuntu
    Et désinstaller si besoin Ubuntu depuis la liste des logiciels installés (Windows)

Exécuter un notebook sur WSL depuis Visual Studio Code

  • Tout en bas à gauche, cliquer sur le bouton bleu (Open a remote Windows)
  • Cliquer ensuite sur Connect to WSL using Distro...
  • Choisir Ubuntu
  • Pour ouvrir vos fichiers qui se trouvent sur votre Windows, remonter deux fois .., .. puis mnt, c et enfin Users (par exemple)

Note
Puisque vous serez sur un nouveau système et non plus sous Windows, il vous sera nécessaire de réinstaller d'éventuelles extensions de VS Code (comme Jupyter, GitHub, etc).

  • Pour ne plus exécuter votre code sur Linux et retourner sous Window, cliquer de nouveau en bas à gauche, puis sur Close Remote Connection

About

Ce projet a pour but de créer une application qui permet de détecter la race d'un chien sur une photo. Pour y parvenir, nous allons utiliser des algorithmes de deep learning.

Topics

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published