Preuve de concept : veille technologique et classification d’images de produits e-commerce avec ConvNeXt

Présentation du Projet

Ce projet a pour objectif de développer un modèle de deep learning performant pour la classification automatique d’images de produits e-commerce, afin d’améliorer la gestion des catalogues en ligne. Dans un contexte de croissance exponentielle du commerce électronique, une classification précise et rapide des produits est essentielle pour optimiser la recherche, l’organisation des inventaires et l’expérience utilisateur.

Les points clés

Architecture de pointe : ConvNeXtTiny

Pour atteindre une précision optimale, j’ai choisi d’implémenter l’architecture ConvNeXtTiny, une approche de pointe en vision par ordinateur. Ce modèle combine les avantages des Transformers et des réseaux convolutionnels (CNN), offrant d’excellentes performances sur des tâches de classification d’images, même avec des jeux de données de taille modérée.

Fonctionnalités et interface utilisateur

  • Classification automatique : Le modèle est capable de classer avec précision les images de produits en différentes catégories.
  • Dashboard interactif : Une interface utilisateur conviviale, développée avec Streamlit, permet de télécharger des images, de sélectionner des exemples et de visualiser les résultats de la classification en temps réel.
  • Cartes de chaleur Grad-CAM : Pour une meilleure interprétation des résultats, des cartes de chaleur Grad-CAM sont générées, mettant en évidence les régions des images qui influencent le plus la décision du modèle.
  • Déploiement cloud : Le dashboard est déployé sur Streamlit Sharing, rendant l’application accessible en ligne.

Points forts du projet :

  • Architecture de pointe : Utilisation de ConvNeXtTiny, démontrant une veille technologique et une capacité à implémenter des solutions innovantes.
  • Haute précision : Le modèle atteint une précision de 92% sur le jeu de données de test, surpassant significativement les modèles baselines.
  • Solution complète : Création d’un dashboard interactif et déploiement cloud, illustrant la capacité à développer une solution de bout en bout.
  • Accessibilité : Conception du dashboard en tenant compte des critères d’accessibilité (WCAG), soulignant un souci de l’utilisateur.

Applications potentielles

  • Gestion de catalogues en ligne : Automatisation de la classification des produits pour une meilleure organisation et une recherche optimisée.
  • Recommandations de produits : Utilisation des catégories prédites pour améliorer les systèmes de recommandation.
  • Analyse de tendances : Identification des produits les plus populaires et des tendances du marché.
  • Modération de contenu : Détection automatique d’images inappropriées ou non conformes.

Technologies Utilisées

  • Python
  • TensorFlow / Keras
  • Streamlit
  • Pandas
  • NumPy
  • Scikit-learn
  • OpenCV
  • Matplotlib