hocine-drioueche / rakuten

Challenge_Rakuten_py

Presentation et Installation

Ce projet s’inscrit dans le challenge Rakuten France Multimodal Product Data Classification: Il s’agit de prédire le code type de produits (tel que défini dans le catalogue Rakuten France) à partir d’une description texte et d’une image.

Rakuten France souhaite pouvoir catégoriser ses produits automatiquement grâce à la désignation, la description et les images des produits vendus sur son site.

Ce projet a été développé pendant notre formation Data scientist avec le centre de formation Datascientest (https://datascientest.com/)

Notre équipe de développement du projet était composée de:

• Flavien SAUX (GitHub / LinkedIn)
• Chadi BOULOS (GitHub / LinkedIn)
• Constantin NZWESSA (GitHub / LinkedIn)
• Michaël DEVAUX (GitHub / LinkedIn)

Déroulement du projet

Le projet suivait un plan en plusieurs étapes :

• Collecte, préparation des données, exploration primaire, analyses statistiques et visuelles.
• Modélisation de différents algorithmes basiques de classification de texte comme, linear SVC, ramdom forest, Gradient Boost.
• Modélisation d’algorithmes basiques de régression logistique pour la classification d'images.
• Modélisation d'algorithmes de Deep Learning avec TensorFlow:
  • Réseau de neurones convolutifs (CNN (Mobilenet - Lenet - Resnet50)) pour la classification d'images,
  • Réseaux de neurones récurrents (RNN (LSTM - BERT)) pour la classification de texte.
• Modèle de fusion, concatenation d'un modèle textuel (BERT) et d'un modèle image (Resnet50).
• Evolutions possibles du modèle.

README

Nous n'avons pas pu télécharger les données nécessaires sur GitHub, pour que vous puissiez refaire ce projet dans les mêmes conditions que nous. Ces dernières étaient trop volumineuses pour être acceuillies sur notre espace. Cependant, vous pouvez les télécharger sur le site challengedata. Après vous êtes enregistré, vous pourrez accéder aux 4 fichiers composants les données.

• X_train_update.csv
• X_test_update.csv
• Y_train_CVw08PX.csv
• Le dossier contenant toutes les images

Streamlit App

Installation de Streamlit.

pip install -r requirements.txt

Pour exécuter l'application (attention aux chemins des fichiers dans l'application) :

conda create --name my-awesome-streamlit python=3.9
conda activate my-awesome-streamlit
pip install -r requirements.txt
streamlit run app.py

The app should then be available at localhost:8501.