ML appliqué
Dépôt GitHubPlateforme de reconnaissance des expressions faciales
Des expériences de modèles aux prédictions comparables dans une interface utilisable.
Contexte: Produit de machine learning appliqué
Période: 2025-11 à 2026-02
Résumé
Le projet compare les baselines HOG/LBP et SVM aux modèles ResNet et EfficientNet dans un parcours commun d'entraînement, validation et inférence. FastAPI et React rendent les modèles enregistrés utilisables hors des notebooks.
D'une image faciale à la classification de l'expression
Image
Un échantillon arrive du navigateur ou de l'évaluation
Prétraitement
Les transformations préparent des entrées cohérentes
Inférence
Modèles classiques et CNN produisent des probabilités
FastAPI
Le service expose les opérations des modèles
Résultat
L'interface présente classe et confiance
Ce que le système prend en charge
Compare caractéristiques classiques et SVM aux CNN.
Utilise les familles ResNet et EfficientNet.
Couvre entraînement, validation, comparaison et prédiction.
Transforme des expériences hors ligne en application locale interactive.
Résultats de validation mesurés
Artefacts de l'évaluation réduite; précisions arrondies à deux décimales.
Précision LBP + SVM
0,32
Évaluation réduite
Précision HOG + SVM
0,38
Évaluation réduite
Précision ResNet50
0,57
Évaluation réduite
Précision EfficientNet-B0
0,58
Évaluation réduite
Précision de l'ensemble
0,59
Évaluation réduite
Technologie
Stack
Domaines
Implémentation vérifiée
Les modèles sont reliés à un parcours d'évaluation
Le dépôt conduit les modèles de l'entraînement à la validation, la comparaison, au rapport et au serving.
Baselines classiques
Caractéristiques HOG et LBP avec classifieurs RBF SVM.
Familles CNN
Entraînement et validation de ResNet et EfficientNet.
Rapports d'évaluation
Résultats lisibles par machine et par humain.
Inférence utilisable
FastAPI prédit et React présente les comparaisons.
Conclusions
- Les CNN ont dépassé les baselines classiques et l'ensemble a légèrement amélioré le meilleur modèle individuel.
- FastAPI et React rendent la comparaison utilisable comme parcours d'inférence.
- Les résultats classent des expressions visibles dans le périmètre défini du modèle.
Vous souhaitez examiner l'implémentation ?
Le dépôt contient le code source, les instructions d'installation et l'historique du développement.