Classification Chats/Chiens - PyTorch CNN

API FastAPI avec CNN PyTorch optimisé pour Apple Silicon (M4) pour classifier des images de chats et chiens.

🎯 Performances

• Accuracy: 87.59% (validation)
• Architecture: CNN personnalisé (5 Conv + 2 Dense)
• Optimisation: Apple Silicon MPS (GPU M4)
• Temps prédiction: ~100-200ms

🚀 Installation rapide

# 1. Installer PyTorch pour Apple Silicon
pip install torch torchvision torchaudio

# 2. Installer autres dépendances
pip install -r requirements.txt

# 3. Entraîner le modèle (si pas déjà fait)
python train_pytorch.py

# 4. Configurer le modèle pour l'API (si pas déjà fait)
python setup_model.py

# 5. Lancer l'API
python api.py

📡 Endpoints API

Endpoint	Méthode	Description
/	GET	Informations API + statistiques
/health	GET	État santé + device utilisé
/model-info	GET	Architecture détaillée du modèle
/predict	POST	Classification d'image

📚 Documentation interactive

Une fois l'API démarrée : http://localhost:8000/docs

🧪 Test rapide

# Test avec curl
curl -X POST "http://localhost:8000/predict" \
     -H "Content-Type: multipart/form-data" \
     -F "file=@votre_image.jpg"

# Réponse exemple
{
  "predicted_class": "chien",
  "confidence": 0.92,
  "probabilities": {
    "chat": 0.08,
    "chien": 0.92
  },
  "model_type": "CNN_PyTorch_M4",
  "device": "mps"
}

🏗️ Architecture technique

Modèle CNN

# 5 blocs convolutionnels
Conv2D(32) -> BatchNorm -> ReLU -> MaxPool -> Dropout
Conv2D(64) -> BatchNorm -> ReLU -> MaxPool -> Dropout  
Conv2D(128) -> BatchNorm -> ReLU -> MaxPool -> Dropout
Conv2D(256) -> BatchNorm -> ReLU -> MaxPool -> Dropout
Conv2D(512) -> BatchNorm -> ReLU -> AdaptiveAvgPool

# 2 couches denses
Dense(512) -> BatchNorm -> ReLU -> Dropout
Dense(256) -> ReLU -> Dropout  
Dense(1) -> Sigmoid

📁 Structure projet

Backend/
├── 📄 api.py                 # API FastAPI principale
├── 🧠 CNN_Model.py           # Architecture CNN PyTorch
├── 🔧 model_wrapper.py       # Wrapper compatibilité API
├── 🏋️ train_pytorch.py       # Script d'entraînement
├── ⚙️ setup_model.py         # Configuration modèle pour API
├── 📊 Data.py               # Preprocessing images
├── 📋 requirements.txt      # Dépendances Python
├── 💾 best_cnn_model.pkl    # Modèle entraîné (API)
├── 💾 best_cnn_model_pytorch.pth  # Checkpoint PyTorch
└── 📂 data/                 # Dataset
    ├── train/cats/          # Images chats (entraînement)
    ├── train/dogs/          # Images chiens (entraînement)  
    ├── test/cats/           # Images chats (test)
    └── test/dogs/           # Images chiens (test)

🎛️ Configuration avancée

Variables d'environnement

export PYTORCH_MPS_HIGH_WATERMARK_RATIO=0.0  # Optimisation mémoire M4
export OMP_NUM_THREADS=8                      # Threads CPU

Paramètres modèle

• Input Size: 224×224×3
• Batch Size: 64 (entraînement)
• Learning Rate: 0.001 (Adam)
• Early Stopping: 8 epochs patience
• Data Augmentation: Rotation, flip, brightness

🔧 Maintenance

Ré-entraîner le modèle

# Si vous voulez améliorer les performances
python train_pytorch.py

# Puis reconfigurer pour l'API
python setup_model.py

Monitoring

# Vérifier l'état de l'API
curl http://localhost:8000/health

# Voir les métriques détaillées
curl http://localhost:8000/model-info

🚨 Troubleshooting

Problème	Solution
best_cnn_model.pkl manquant	Lancez python setup_model.py
MPS not available	Modèle fonctionne sur CPU (plus lent)
Prédictions identiques	Relancez python setup_model.py
Memory error	Réduisez batch_size dans train_pytorch.py

🚀 Développé avec PyTorch + FastAPI