Object Detection with Classical Classifiers

Projet final — Fundamentals of Machine Learning 2025/2026 (UJM)

Ce dépôt contient le code du projet final du cours Fundamentals of Machine Learning. L'objectif est d'implémenter les composants de classification et d'évaluation d'un pipeline R-CNN (Region-based Convolutional Neural Network) en utilisant des SVM et des Decision Trees à la place d'un réseau de neurones profond pour la classification des régions.

projet_2026.pdf

---

Structure du projet

project/
├── coco_filtered/
│   ├── images/              ← à télécharger depuis Moodle et décompresser ici
│   ├── regions.csv          ← annotations ground truth
│   ├── selected_images.csv  ← liste des images sélectionnées avec split train/val
│   ├── features_train.npz   ← à télécharger depuis Moodle
│   └── features_val.npz     ← à télécharger depuis Moodle
├── utils/
│   ├── __init__.py
│   ├── nms.py                ← fourni, à ne pas modifier
│   └── eval_detection.py      ← fourni, à ne pas modifier
├── outputs/
│   ├── task1/                ← résultats sauvegardés par task1.py
│   ├── task2/                ← résultats sauvegardés par task2.py
│   ├── task3/                ← résultats sauvegardés par task3.py
│   └── task4/                ← résultats sauvegardés par task4.py
├── extract_features.py       ← fourni, à exécuter une seule fois (Tâche 2a uniquement)
├── task1.py                  ← Tâche 1 : baseline SVM et Decision Tree
├── task2.py                  ← Tâche 2 : gestion du déséquilibre des classes
├── task3.py                  ← Tâche 3 : comparaison des kernels SVM
├── task4.py                  ← Tâche 4 : analyse de la profondeur du Decision Tree
├── compare.py                ← comparaison des résultats de toutes les tâches
├── requirements.txt
└── README.md

---

Récupération des données

Les fichiers de données étant volumineux, ils ne sont pas versionnés dans ce dépôt. Ils sont disponibles sur Moodle → Final Project → Data.

Deux éléments à télécharger :

1. images.zip — à décompresser, avec toutes les images placées dans coco_filtered/images/ :

   coco_filtered/images/000000000009.jpg
   coco_filtered/images/000000000025.jpg
   ...
   

2. features_train.npz et features_val.npz — à placer directement dans coco_filtered/ :

   coco_filtered/features_train.npz
   coco_filtered/features_val.npz
   

ℹ️ Il n'est pas nécessaire d'exécuter extract_features.py, sauf si vous traitez la Tâche 2a (augmentation au niveau des régions), qui nécessite de relancer l'extraction des features avec des crops augmentés.

---

Installation

Créer un environnement virtuel et installer les dépendances :

python -m venv venv
source venv/bin/activate        # sous Windows : venv\Scripts\activate
pip install -r requirements.txt

Si pycocotools échoue à s'installer à cause d'une erreur de compilation, utiliser cette alternative :

pip install faster-coco-eval

---

Utilisation

Exécuter chaque script depuis la racine du projet :

python task1.py --data_dir ./coco_filtered
python task2.py --data_dir ./coco_filtered
python task3.py --data_dir ./coco_filtered
python task4.py --data_dir ./coco_filtered
python compare.py

Chaque script sauvegarde automatiquement ses résultats dans le sous-dossier correspondant de outputs/. Exécuter compare.py une fois toutes les tâches terminées pour générer la comparaison finale entre les modèles.

---

Description des tâches

Tâche	Description
Task 1	Baseline : classification des régions avec un SVM et un Decision Tree
Task 2	Gestion du déséquilibre des classes (ex. class weighting, oversampling, augmentation)
Task 3	Comparaison de différents kernels SVM (linéaire, RBF, polynomial, etc.)
Task 4	Analyse de l'impact de la profondeur du Decision Tree sur les performances

---

Auteur

Projet réalisé dans le cadre du cours Fundamentals of Machine Learning — Université Jean Monnet (UJM), 2025/2026.