README.md

---
license: apache-2.0
base_model: google/vit-base-patch16-224
tags:
- image-classification
- vision-transformer
- trash-classification
- waste-management
- pytorch
datasets:
- custom
language:
- en
pipeline_tag: image-classification
---

# Modèle de Classification de Propreté des Poubelles

Ce modèle utilise Vision Transformer (ViT) pour classifier les images de poubelles en deux catégories:
- **Clean** (Propre)
- **Dirty** (Sale)

## Modèle de base
- **Architecture**: Vision Transformer (ViT)
- **Modèle de base**: google/vit-base-patch16-224
- **Type**: Classification binaire d'images
- **Taille d'entrée**: 224x224 pixels

## Classes
- `0`: Clean (Poubelle propre)
- `1`: Dirty (Poubelle sale)

## Utilisation

```python
from transformers import ViTImageProcessor, ViTForImageClassification
from PIL import Image
import torch

# Charger le modèle et le processeur
processor = ViTImageProcessor.from_pretrained('JeanPaulLePape/MasterCAMPDataetIAModelGoogleTrained')
model = ViTForImageClassification.from_pretrained('JeanPaulLePape/MasterCAMPDataetIAModelGoogleTrained')

# Fonction de prédiction
def predict_trash_cleanliness(image_path):
    image = Image.open(image_path).convert('RGB')
    inputs = processor(image, return_tensors="pt")
    
    with torch.no_grad():
        outputs = model(**inputs)
        predicted_class = torch.argmax(outputs.logits, dim=1).item()
        confidence = torch.softmax(outputs.logits, dim=1).max().item()
    
    label = "Clean" if predicted_class == 0 else "Dirty"
    return label, confidence

# Exemple d'utilisation
label, confidence = predict_trash_cleanliness("path/to/your/image.jpg")
print(f"Prédiction: {label} (Confiance: {confidence:.2f})")
```

## Entraînement
- **Framework**: Transformers + PyTorch
- **Optimiseur**: AdamW
- **Précision**: Mixed precision (FP16)
- **Métriques**: Accuracy