Scribd
Importer
69 vues3 pages

Modèle de classification des postures de yoga

Le projet Yoga Pose vise à développer un modèle de classification pour reconnaître automatiquement les postures de yoga à partir d'images, en utilisant un dataset open-source de Kaggle. La première phase se concentre sur la compréhension des objectifs métiers et des données, tandis que la seconde phase aborde la collecte, la description et l'exploration des données, ainsi que les problèmes de qualité. Des actions de nettoyage et d'augmentation des données sont prévues pour améliorer la performance du modèle.

Transféré par

Ahmed Khachlouf
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd
69 vues3 pages

Modèle de classification des postures de yoga

Le projet Yoga Pose vise à développer un modèle de classification pour reconnaître automatiquement les postures de yoga à partir d'images, en utilisant un dataset open-source de Kaggle. La première phase se concentre sur la compréhension des objectifs métiers et des données, tandis que la seconde phase aborde la collecte, la description et l'exploration des données, ainsi que les problèmes de qualité. Des actions de nettoyage et d'augmentation des données sont prévues pour améliorer la performance du modèle.

Transféré par

Ahmed Khachlouf
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd

Rapport CRISP-DM - Projet Yoga Pose

Classification
Phase 1 - Compréhension du métier (Business Understanding)

Objectif :
Comprendre les objectifs métiers du projet, le contexte, les enjeux, et traduire cela en un
problème de data mining clair et exploitable.

1. Détermination des objectifs métier :


- Objectif principal : Développer un modèle capable de reconnaître automatiquement les
postures de yoga à partir d’images.
- Contexte : Projet académique pour l’année universitaire 2024-2025.

2. Évaluation de la situation :
- Données disponibles sur Kaggle (images annotées).
- Contraintes possibles : qualité variable des images, déséquilibre entre classes, droit à
l’image.
- Parties prenantes : développeurs, encadrants, futurs utilisateurs.

3. Objectifs de data mining :


- Problème de classification supervisée.
- Objectif : prédire la posture de yoga à partir d’une image via des modèles CNN.

4. Plan de projet :
- Collecte et compréhension des données (Phase 2)
- Préparation des données
- Modélisation (réseaux neuronaux convolutifs)
- Évaluation
- Déploiement éventuel

Phase 2 - Compréhension des données (Data Understanding)

Section 2.1 – Collecte initiale des données :


Les données proviennent d’un jeu de données open-source disponible sur Kaggle, dédié à la
classification des postures de yoga.
Ce dataset contient un ensemble d’images annotées, représentant différentes postures
corporelles réalisées par des pratiquants de yoga.
- Source : Kaggle – Yoga Pose Dataset
- Type de données : Images étiquetées (classification supervisée)

Section 2.2 – Description des données :


Chaque entrée dans le dataset contient :
- Image : une photo d’une posture de yoga, généralement en couleur (RGB)
- Label : le nom de la posture (ex. "mountain", "warrior", "downward_dog", etc.)

Structure typique :
- Dossier par classe (ex : /mountain, /warrior2, etc.)
- Taille des images : variable (à redimensionner pour le modèle, ex. 224x224)
- Nombre total d’images : souvent entre 1 000 et 10 000
- Nombre de classes : entre 5 et 10 postures courantes

Section 2.3 – Exploration des données :


Objectifs :
- Analyser la distribution des classes (nombre d’images par posture)
- Visualiser quelques images par classe pour détecter :
- Variations de luminosité, de fond, de vêtements
- Mauvais étiquetage ou mauvaise qualité

Exemple d'analyse :

Classe Nombre d’images


Mountain 500
Warrior II 480
Downward Dog 520
Tree Pose 200
Cobra 300

Section 2.4 – Qualité et préparation des données :


Problèmes potentiels :
- Variabilité dans les angles de prise de vue
- Fonds non uniformes (extérieur/intérieur)
- Postures mal étiquetées
- Images floues ou mal cadrées

Actions envisagées :
- Nettoyage des images : suppression ou correction des anomalies
- Augmentation des données :
- Rotation
- Zoom
- Flip horizontal
- Luminance
- Prétraitement :
- Redimensionnement
- Normalisation des pixels
- Encodage des labels

Vous aimerez peut-être aussi