Usage

Le modèle MarocExplore final peut être utilisé de deux façons distinctes selon vos besoins : l’évaluation sur un dataset existant avec des coordonnées de référence, ou la prédiction de localisation pour une image individuelle. Ces deux modes d’utilisation permettent respectivement de mesurer les performances du modèle et d’exploiter ses capacités de géolocalisation en production.

Attention

Prérequis techniques

  • Python 3.8+

  • PyTorch 1.12+

  • timm 0.6+

  • pandas, numpy, PIL

  • CUDA recommandé pour l’inférence rapide

Prérequis Communs

Avant d’utiliser le modèle, vous devez :

  1. Télécharger le modèle pré-entraîné

  2. Obtenir le fichier de métadonnées (obligatoire)

    Le fichier data_red/Métadonnées_villes.csv contenant les caractéristiques des villes est disponible dans le repository GitHub.

Mode 1 : Évaluation

Ce mode permet d’évaluer les performances du modèle sur un dataset avec des coordonnées de référence connues.

Prérequis spécifiques :

  • Un dossier contenant des images avec des identifiants et les villes qui correspondants

  • Un fichier CSV contenant les coordonnées réelles de ces images

  • Le fichier de métadonnées des villes

Utilisation :

# Charger le modèle et évaluer sur un dataset
 model_path = "/content/drive/MyDrive/model/MarocExplorer_model.pth"  # Path du modèle , Remplace par ton chemin
 csv_path = "/content/maroc_data_finale.csv" # Pour les cordonnées
 city_features_path = "/content/drive/MyDrive/Datasets/data_red/M_villes_avec_coords.csv" # Métadonnées
 images_folder = '/content/drive/MyDrive/Datasets/data_red/iamges_red' # Images

 evaluate_model_on_images(
     model_path=model_path,
     csv_path=csv_path,
     city_features_path=city_features_path,
     images_folder=images_folder,
     n_images=10  # Tu peux changer ce nombre
 )

Sorties :

  • Les prédictions

  • Distance entre prédictions et coordonnées réelles

Mode 2 : Prédiction pour une Image

Ce mode permet de prédire la localisation d’une image individuelle.

Prérequis spécifiques :

  • Une image à géolocaliser

  • Sélection de la ville depuis la liste disponible dans le notebook

Utilisation :

MODEL_PATH = "/content/drive/MyDrive/model/MarocExplorer_model.pth"
CITY_FEATURES_PATH = "/content/drive/MyDrive/Datasets/data_red/M_villes_avec_coords.csv"

IMAGE_PATH = "/content/tour-hassan-rabat-morocco-by-migel.jpeg"  # Remplacer par votre chemin
CITY_NAME = "Rabat"  # Nom de ville supportée

# Utiliser une des deux fonctions selon le besoin :
# Résultat simple :
results = predict_single_image(
    image_path=IMAGE_PATH,
    city_name=CITY_NAME,
    model_path=MODEL_PATH,
    city_features_path=CITY_FEATURES_PATH
)

# Résultat avec visualisation :
# results = predict_and_visualize(
#     image_path=IMAGE_PATH,
#     city_name=CITY_NAME,
#     model_path=MODEL_PATH,
#     city_features_path=CITY_FEATURES_PATH
# )

Sorties :

  • Coordonnées GPS prédites (latitude, longitude)

  • Distance entre la prédiction et le centre de ville

  • Visualisation optionnelle de l’image

Note

La liste des villes disponibles est définie dans le notebook principal. Assurez-vous de sélectionner une ville présente dans le fichier de métadonnées pour obtenir des prédictions fiables.

Attention

Cellules à Exécuter Obligatoirement

Pour utiliser la prédiction d’une image, vous devez obligatoirement exécuter les cellules suivantes dans le notebook :

  1. Cellule d’importation des bibliothèques - Contient tous les imports nécessaires

  2. Cellule de la fonction load_model(model_path) - Charge le modèle pré-entraîné

  3. Cellule de la fonction prepare_city_features(city_features_path) - Prépare les caractéristiques des villes

  4. Cellule de la fonction haversine_distance(lat1, lon1, lat2, lon2) - Calcule la distance entre coordonnées GPS

Ces cellules doivent être exécutées dans l’ordre avant toute tentative de prédiction.

Consultez notre notebook Colab :

Open In Colab