Prétraitement

Le prétraitement dans ce projet consiste en trois étapes :

*le redimensionnement des images pour uniformiser leur taille
*la conversion des images en niveaux de gris pour faciliter l’analyse,
et l’extraction des attributs pertinents tels que les contours du visage, la
présence de lunettes et la présence d’accessoires sur la tête.
Visualisation des données
La visualisation des donnéest est réalisée à l’aide de graphiques pour mieux
comprendre la répartition des attributs. Les relation entre la présence d’un masque
et les autres attributs sont analysées pour mieux comprendre comment ils
influencent la classification. Cette etape nous a permet de mieux comprendre le jeu
de données et de prendre des décisions éclairées sur les attributs

Classificateurs favoris
Dans ce projet, les classificateurs sélectionnés sont SVM (Support Vector Machine),
K-NN (K-Nearest Neighbors) et Random Forest. Ces classificateurs ont été choisis
car ils sont adaptés au problème de classification binaire (avec masque/sans
masque) et ont montré de bonnes performances dans d’autres projets similaires.

Chacun de ces classificateurs a été entraîné et évalué sur les attributs extraits à
partir des images, tels que les contours du visage, la présence de lunettes et la
présence d’accessoires sur la tête. Les performances des classificateurs ont été
mesurées en termes de précision, de rappel et de F1-score.

Le Random Forest a montré les meilleures performances parmi les trois

classificateurs sélectionnés, avec une précision de 95%, un rappel de 96%, et un
F1-score de 95%. Par conséquent, il a été choisi comme le meilleur classificateur
pour ce jeu de données.

Résultats
Observations
Les contours du visage et la présence de lunettes ont un impact significatif sur la
classification, tandis que la présence d’accessoires sur la tête a une légère
influence négative sur les performances de classification.

Discussion
Vous pourriez parler par exemple des biais potentiels de vos données, de
l’utilisation d’un tel projet dans la vraie vie, des difficultés rencontrées et de
comment vous les avez surmontées (ou pas).

En ce qui concerne les biais potentiels de nos données, il faut noter que notre jeu
de données était relativement petit, avec seulement 20 images. De plus, la
répartition des attributs n’était pas équilibrée, avec plus d’images de personnes
portant des lunettes ou des accessoires sur la tête que de personnes sans. Cela
peut avoir un impact sur les performances de nos classificateurs et rendre la
généralisation à d’autres situations plus difficile.

En termes d’utilisation d’un tel projet dans la vraie vie, la détection automatique
du port du masque pourrait être très utile dans divers contextes, tels que les
transports en commun ou les lieux publics(un systeme pour les amendes par exmpl) .

Nous avons également rencontré des difficultés lors du choix des attributs
pertinents et notre sujet, en particulier en ce qui concerne l’impact des
accessoires sur la tête sur la détection du masque. Nous avons essayé de surmonter
ces difficultés en explorant différents attributs . Cependant, il est probable que
d’autres attributs pourraient être ajoutés pour améliorer encore les performances
des classificateurs comme la couleru de masque, l’age de la personne ,la presence
des autres accecoires … .

Conclusion
En conclusion, ce projet de détection automatique de port de masque a permis
d’explorer différentes techniques de prétraitement, de visualisation et de
classification pour identifier les personnes portant un masque et celles qui n’en
portent pas. Les résultats ont montré que les attributs tels que les contours du
visage et la présence de lunettes ont un impact significatif sur la classification,
tandis que la présence d’accessoires sur la tête a une influence plus faible.