Upload README.md with huggingface_hub

README.md

@@ -0,0 +1,81 @@
+---
+license: mit
+tags:
+- waste-classification
+- computer-vision
+- streamlit
+- tensorflow
+- keras
+library_name: tensorflow
+---
+
+# Interface de classification de déchets
+
+Interface Streamlit pour la classification de déchets utilisant des modèles de deep learning entraînés.
+
+## 🎯 Description
+
+Cette application permet de classifier des images de déchets en deux catégories :
+- **Papier** : Journaux, cartons, papiers divers
+- **Plastique** : Bouteilles, emballages, objets en plastique
+
+## 🚀 Utilisation
+
+### Avec Docker (Recommandé)
+
+```bash
+# Cloner le repository
+git clone https://huggingface.co/360TechEnv/waste-classifier
+cd waste-classifier
+
+# Construire et lancer avec Docker
+docker-compose up --build -d
+```
+
+### Installation locale
+
+```bash
+# Installer les dépendances
+pip install -r requirements.txt
+
+# Lancer l'application
+streamlit run app.py
+```
+
+## 📊 Modèles disponibles
+
+- **waste_classifier_v1.h5** : Modèle v1 (architecture de base)
+- **waste_classifier_v2.h5** : Modèle v2 (architecture améliorée)
+
+## 🔧 Configuration
+
+Les modèles sont automatiquement téléchargés au premier lancement. Vous pouvez aussi configurer des URLs personnalisées :
+
+```bash
+export MODEL_V1_URL="https://huggingface.co/360TechEnv/waste-classifier/resolve/main/models/waste_classifier_v1.h5"
+export MODEL_V2_URL="https://huggingface.co/360TechEnv/waste-classifier/resolve/main/models/waste_classifier_v2.h5"
+```
+
+## 📈 Performance
+
+- **Modèle v1** : Précision ~54%
+- **Modèle v2** : Précision améliorée
+
+## 🛠️ Technologies
+
+- **Streamlit** : Interface utilisateur
+- **TensorFlow/Keras** : Modèles de deep learning
+- **OpenCV/PIL** : Traitement d'images
+- **Docker** : Containerisation
+
+## 📄 Licence
+
+MIT License - Voir le fichier LICENSE pour plus de détails.
+
+## 🤝 Contribution
+
+Ce projet est open source. N'hésitez pas à contribuer ou signaler des problèmes !
+
+## 📞 Support
+
+Pour toute question ou problème, créez une issue sur le repository.