Académique Documents
Professionnel Documents
Culture Documents
Rapport GR 04
Rapport GR 04
Douala
Sciences de l’ingénieur NIV3
Filiere : SDIA
INTRODUCTION A PYTHON
Groupe IV :
Filiere : SDIA
INTRODUCTION A PYTHON
Problème : Trier des milliers d’images stockées sur un vieux disque dur retrouvé après le départ à la
retraite d’une des journalistes.
Solution : Implémenter en Python un trieur intelligent de fichiers
Architecture du module :
image_sorting_gr_04.py
Sort_images.py Check_accuracy.py
find_category
create_repertory
distance_euclidienne get_k_nearest_images
knn_image get_max_class
fill_feature certitude
fill_prediction
✓ Sort_images.py :
1. Find_category :
Paramètres : label
Cette fonction permet de
déterminer les categories qui
vont nous servir de référence
pour la classification.
Return : dict_label le
dictionnaire ayant pour clé la
catégorie et pour valeur le nom
de l’image.
Ecole Nationale Supérieure Polytechnique de
Douala
Sciences de l’ingénieur NIV3
Filiere : SDIA
INTRODUCTION A PYTHON
2. Create_repertory :
Paramètres : path, unsorted,
dict_label
Cette fonction permet de créer
le répertoire « sorted » qui va
contenir les sous dossiers avec
pour nom les categories et
calculer les vecteurs features
des images.
Return : dict_image_feat le
dictionnaire ayant pour clé la
catégorie et pour valeur le
vecteur feature de l’image.
3. Distance_euclidienne :
Paramètres : v1, v2
Cette fonction calcule la distance
euclidienne entre 2 vecteurs features.
Return : euclide
4. Knn_image :
Paramètres : k, dict_distance
Cette fonction permet de
déterminer la classe et la
certitude de l’image à partir
des distances euclidiennes.
❖ Get_k_nearest_images :
Paramètres : k, dict_distance
Elle determine les k plus
proches distances.
Return : data une liste
contenant les k plus petites
distances et l’occurrence de
chaque classe pour ces
distances.
Ecole Nationale Supérieure Polytechnique de
Douala
Sciences de l’ingénieur NIV3
Filiere : SDIA
INTRODUCTION A PYTHON
❖ Get_max_class :
Paramètres : data
Elle determine la classe
majoritaire en prenant celle
avec la plus grande occurrence.
Return : class_feat la classe de
l’image dont on cherche la
catégorie.
❖ Certitude_model :
Paramètres : data, k, class_feat
Elle determine la certitude avec la
quelle l’on est sûr de
l’appartenance de l’image a la
classe.
Return : p la certitude
5. Fill_feature :
Paramètres : img,
dict_image_feat
Cette fonction va permettre de
calculer la distance
euclidienne entre la feature de
img et chaque vecteur de
features de dict_image_feat,
de déterminer sa classe et de
mettre à jour dict_image_feat
par cette nouvelle feature dans
la classe qui a été déterminé.
Return : class_image qui est
une liste contenant la classe de
l’image prédite et la certitude
sur cette classe.
Ecole Nationale Supérieure Polytechnique de
Douala
Sciences de l’ingénieur NIV3
Filiere : SDIA
INTRODUCTION A PYTHON
6. Fill_prediction :
Paramètres : path, name, category
Cette fonction crée un fichier
prediction.txt et y ajoute le nom
ainsi que la prédiction de classe
faite.
Sort_images :
On appelle ainsi
chaque fonction à
l’intérieur de la
fonction Sort_images
et on affiche l’image,
sa catégorie et la
certitude que cette
image appartienne à
cette classe.
✓ Check_accuracy.py
Check_accuracy :
Paramètres : path
Cette fonction permet de calculer
le taux de généralisation du
modèle.
Return : accuracy qui est le taux
de généralisation défini