DivineBedinge/-african-food-classifier

classification des types de nourritures africaines # 🍽️ African Food Classifier — M2 IABD Reconnaissance de plats africains par Transfer Learning (MobileNetV2 + TensorFlow). ## 📁 Structure du projet ``` african_food_classifier/ ├── train_model.ipynb ← Notebook Google Colab (entraînement) ├── app.py ← Application Streamlit ├── african_food_model.h5 ← Modèle entraîné (généré par le notebook) ├── class_names.json ← Classes du modèle (généré par le notebook) ├── requirements.txt ← Dépendances Python ├── Dockerfile ← Pour déploiement Docker / Render ├── render_link.txt ← Lien de l'app déployée sur Render └── README.md ``` ## 🌍 Dataset - **Source :** African Foods Datasets — Kaggle - **Classes :** Ekwang, Eru, Ndole (Cameroun) + Jollof Rice, Palm-nut Soup, Waakye (Ghana) - **Taille :** ~1 754 images totales ## 🚀 Étapes ### 1. Entraînement (Google Colab) 1. Ouvre `train_model.ipynb` dans Google Colab 2. Active le GPU : `Exécution > Modifier le type d'exécution > GPU T4` 3. Exécute toutes les cellules 4. Télécharge `african_food_model.h5` et `class_names.json` 5. Place-les dans ce dossier ### 2. Test local ```bash pip install -r requirements.txt streamlit run app.py ``` ### 3. Déploiement sur Render 1. Push le projet sur GitHub 2. Va sur render.com → New Web Service 3. Connecte ton repo GitHub 4. Configure : - **Build Command :** `pip install -r requirements.txt` - **Start Command :** `streamlit run app.py --server.port $PORT --server.address 0.0.0.0` 5. Copie le lien généré dans `render_link.txt` ## 🧠 Architecture du modèle - **Base :** MobileNetV2 pré-entraîné sur ImageNet - **Phase 1 :** Entraînement du classifier (base gelée) — 10 epochs - **Phase 2 :** Fine-tuning des 30 dernières couches — 15 epochs - **Accuracy cible :** > 85% ## 📦 Technologies | Outil | Usage | |---|---| | TensorFlow / Keras | Modèle deep learning | | MobileNetV2 | Transfer learning | | Streamlit | Interface web | | Render | Déploiement cloud | | Docker | Conteneurisation | | G …