GTSRB — Reconnaissance de Panneaux de Signalisation

Projet de Deep Learning pour la classification automatique de panneaux de signalisation routière sur le dataset GTSRB (German Traffic Sign Recognition Benchmark).

---

Dataset

Propriété	Valeur
Classes	43 types de panneaux
Images d'entraînement	~39 000
Images de test	~12 600
Taille d'entrée	64×64 px
Source	GTSRB sur Kaggle

---

Modèles entraînés

CNN from scratch — gtsrb_cnn_final.keras

• 3 blocs Conv2D + BatchNormalization + MaxPooling (32 → 64 → 128 filtres)
• Tête de classification : Dense 512 + Dense 256 + Dropout
• Optimizer : Adam | Callbacks : EarlyStopping, ReduceLROnPlateau
• Accuracy test : ~85% | ~2M paramètres

Transfer Learning (EfficientNetB0) — gtsrb_efficientnet_final.keras

• Base : EfficientNetB0 pré-entraîné sur ImageNet
• Tête personnalisée : GlobalAveragePooling2D + Dense 256 + Dense 128
• Fine-tuning des 30 dernières couches (LR = 1e-5)
• Accuracy test : ~97% | ~5.3M paramètres

---

Résultats

Modèle	Accuracy test
CNN from scratch	~85%
EfficientNetB0 (Transfer Learning)	~97%

---

Prétraitement & Augmentation

• Resize → 64×64 px, normalisation [0, 1]
• Augmentation : rotation ±15°, zoom ±15%, décalage ±10%, luminosité [0.8–1.2]
• Pas de flip horizontal — les panneaux sont asymétriques (ex. sens interdit ≠ sens autorisé)
• EarlyStopping + ReduceLROnPlateau pour éviter le surapprentissage

---

Lancer l'application Streamlit

# Installer les dépendances
pip install -r requirements.txt

# Lancer l'app
streamlit run streamlit_app.py

L'application s'ouvre sur http://localhost:8501 et propose :

• Prédiction en temps réel : uploadez une image (JPG, PNG, PPM, BMP), obtenez le top-5 des prédictions avec score de confiance
• Comparaison des modèles : métriques, architectures CNN vs EfficientNetB0, stratégie d'entraînement
• Explorateur de classes : les 43 panneaux organisés par catégorie, avec filtre de recherche

---

Structure du projet

GTSRB/
├── GTSRB_Deep_Learning.ipynb       # Notebook d'entraînement (Kaggle)
├── streamlit_app.py                 # Application de démonstration
├── gtsrb_efficientnet_final.keras  # Modèle EfficientNetB0 (~97%)
├── gtsrb_cnn_final.keras           # Modèle CNN scratch (~85%)
├── class_indices.json              # Mapping index → classe
├── class_names.json                # Noms des 43 classes (FR)
├── requirements.txt
└── README.md

---

Points clés

• EfficientNetB0 : gain de +12 points d'accuracy grâce au pré-entraînement ImageNet
• Fine-tuning en 2 phases : tête seule (LR = 1e-3), puis 30 dernières couches (LR = 1e-5)
• Dataset déséquilibré : certaines classes ont 10× plus d'images que d'autres — l'augmentation compense
• Entraîné sur Kaggle avec GPU T4 x2

---

Références

• GTSRB Benchmark
• EfficientNet paper — Tan & Le, 2019

Projet réalisé sur Kaggle Notebooks — Paris School of Technology & Business