VGG (Visual Geometry Group)

Fonctions :

• VGG16()

  VGG16 est un modèle de réseau de neurones convolutionnel pré-entraîné sur ImageNet. Il est largement utilisé pour des tâches de classification, d’extraction de caractéristiques et de transfert learning. Le modèle comporte 16 couches avec poids (13 convolutions + 3 fully connected).

  Importation :

  from tensorflow.keras.applications import VGG16

  Attributs :

  

  Paramètre	Description
  include_top	Booléen. Si True, inclut les 3 couches fully-connected en haut du réseau. Sinon, ne conserve que les convolutions.
  weights	Poids du modèle. Utiliser 'imagenet' pour charger les poids pré-entraînés. Peut aussi être None.
  input_tensor	Tensor à utiliser comme entrée du modèle (optionnel).
  input_shape	Tuple de la forme (hauteur, largeur, canaux). Requis si include_top=False.
  pooling	Optionnel. 'avg' ou 'max' : ajoute un global average ou max pooling en sortie du modèle si include_top=False.
  classes	Nombre de classes à prédire si include_top=True et weights=None.

  Exemple de code :

  📋 Copy

  from tensorflow.keras.applications import VGG16
  from tensorflow.keras.models import Model
  from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
  from tensorflow.keras.preprocessing import image
  from tensorflow.keras.applications.vgg16 import preprocess_input
  import numpy as np
  
  # Charger le modèle VGG16 sans les couches fully connected (include_top=False)
  base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
  
  # Ajouter une couche de pooling global et une couche de sortie
  x = base_model.output
  x = GlobalAveragePooling2D()(x)
  x = Dense(1024, activation='relu')(x)
  predictions = Dense(10, activation='softmax')(x)
  
  # Créer le modèle final
  model = Model(inputs=base_model.input, outputs=predictions)
  
  # Geler les couches convolutives
  for layer in base_model.layers:
      layer.trainable = False
  
  # Compiler le modèle
  model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
  
  # Afficher le résumé du modèle
  model.summary()

  Explication du code :

  1. Importation des bibliothèques nécessaires
   
  - Chargement du modèle pré-entraîné VGG16 et des outils Keras pour construire et manipuler le modèle. 
  - Modules pour le traitement des images et la prétraitement selon VGG16. 
  - `numpy` pour la gestion des tableaux.
  
  2. Chargement du modèle VGG16 pré-entraîné
   
  - Modèle VGG16 avec poids pré-entraînés sur ImageNet (`weights='imagenet'`). 
  - `include_top=False` : on retire les couches fully connected en haut pour personnaliser la sortie. 
  - Dimension d’entrée fixée à `(224, 224, 3)` (taille standard ImageNet).
  
  3. Ajout de nouvelles couches personnalisées
   
  - **GlobalAveragePooling2D** : réduit la sortie convolutionnelle en un vecteur de caractéristiques global. - Couche dense (fully connected) de 1024 neurones avec activation ReLU pour apprendre des représentations complexes. 
  - Couche de sortie dense avec 10 neurones et activation softmax, adaptée à une classification à 10 classes.
  
  4. Création du modèle final
   
  - Le modèle final prend en entrée les images du VGG16 initial. 
  - La sortie est celle des nouvelles couches ajoutées, adaptées à la nouvelle tâche de classification.
  
  5. Gel des couches convolutives pré-entraînées
   
  - Toutes les couches du VGG16 original sont rendues non entraînables (`trainable = False`). 
  - Cela permet de conserver les caractéristiques déjà apprises, évitant de les modifier lors de l’entraînement.
  
  6. Compilation du modèle
   
  - Optimiseur Adam pour la mise à jour des poids. 
  - Fonction de perte `categorical_crossentropy` adaptée à la classification multi-classes avec labels one-hot. 
  - Métrique utilisée : précision (`accuracy`).
  
  7. Affichage du résumé du modèle
   
  - Visualisation de la structure du modèle avec le détail des couches, formes des tenseurs et nombre de paramètres.
  

• VGG19()

  VGG19 est une architecture de CNN profonde avec 19 couches pondérées (16 convolutions + 3 fully connected). Elle est largement utilisée pour la classification d’image et le transfert learning, avec des poids pré-entraînés sur ImageNet.

  Importation :

  from tensorflow.keras.applications import VGG19

  Attributs :

  Paramètre	Description
  include_top	Booléen. Si True, inclut les 3 couches fully connected en haut du réseau.
  weights	Poids du modèle. Mettre 'imagenet' pour charger les poids pré-entraînés. Ou None.
  input_tensor	Tensor optionnel à utiliser comme entrée du modèle.
  input_shape	Tuple du type (hauteur, largeur, canaux), requis si include_top=False.
  pooling	'avg' ou 'max'. Applique un global pooling après les convolutions si include_top=False.
  classes	Nombre de classes à prédire si include_top=True et weights=None.

  Exemple de code :

  📋 Copy

  from tensorflow.keras.applications import VGG19
  from tensorflow.keras.models import Model
  from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
  
  # Charger VGG19 sans les couches fully-connected
  base_model = VGG19(weights='imagenet', include_top=False, input_shape=(224, 224, 3))
  
  # Ajouter nos propres couches personnalisées
  x = base_model.output
  x = GlobalAveragePooling2D()(x)
  x = Dense(512, activation='relu')(x)
  predictions = Dense(5, activation='softmax')(x)
  
  # Créer le modèle complet
  model = Model(inputs=base_model.input, outputs=predictions)
  
  # Geler les couches du modèle VGG19 pour ne pas les entraîner
  for layer in base_model.layers:
      layer.trainable = False
  
  # Compiler
  model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
  
  # Afficher le résumé
  model.summary()

  Explication du code :

  1. Importation des bibliothèques nécessaires
   
  - Import du modèle pré-entraîné VGG19 et des outils Keras pour construire et manipuler le modèle. 
  - Import des couches denses et de pooling global pour personnaliser la tête du modèle.
  
  2. Chargement du modèle VGG19 pré-entraîné
   
  - Chargement de VGG19 avec poids ImageNet (`weights='imagenet'`). 
  - `include_top=False` : suppression des couches fully connected originales. 
  - Dimension d’entrée fixée à `(224, 224, 3)` pour correspondre aux images RGB.
  
  3. Ajout de nouvelles couches personnalisées
   
  - Couche GlobalAveragePooling2D pour condenser les cartes de caractéristiques en un vecteur. 
  - Couche dense de 512 neurones avec activation ReLU pour apprendre des caractéristiques spécifiques. 
  - Couche de sortie dense à 5 neurones avec activation softmax, adaptée à une classification en 5 classes.
  
  4. Création du modèle final
   
  - Le modèle prend en entrée les images du VGG19 original. 
  - La sortie correspond aux nouvelles couches ajoutées pour la tâche spécifique.
  
  5. Gel des couches convolutives pré-entraînées
   
  - Toutes les couches de VGG19 sont rendues non entraînables (`trainable = False`) pour conserver les caractéristiques apprises et éviter leur modification lors de l’entraînement.
  
  6. Compilation du modèle
   
  - Optimiseur Adam pour la mise à jour des poids des nouvelles couches. 
  - Perte `categorical_crossentropy` adaptée à la classification multi-classes avec labels one-hot. 
  - Évaluation avec la métrique précision (`accuracy`).
  
  7. Affichage du résumé du modèle
   
  - Affichage détaillé de la structure du modèle, incluant couches, formes des tenseurs, et nombre de paramètres entraînables ou non.