Les masques tribaux ont longtemps été les gardiens silencieux des traditions, des croyances et des histoires. Chaque courbe, chaque motif raconte une histoire millénaire, transmise de génération en génération.
A l’ère du numérique, remark préserver ces trésors culturels face à la prolifération des répliques et à la dilution de leur authenticité ?
C’est ici que la technologie entre en jeu, non pas pour remplacer, mais pour amplifier et soutenir les efforts de préservation culturelle. Ce projet vise à créer un outil de reconnaissance des masques africains basé sur le machine studying et les faire valider par la communauté par le biais d’un consensus Blockchain.
La toute première étape de ce voyage ? Développer un modèle succesful de détecter la présence d’un masque dans une picture.
Cette première section du projet s’est concentrée sur la création d’un modèle de machine studying succesful de répondre à une query easy mais fondamentale : y a-t-il un masque dans cette picture ?
La development du modèle
Le processus de création du modèle a impliqué plusieurs étapes cruciales :
- Collecte des données: Un ensemble de 4 000 photos a été soigneusement compilé, comprenant un mélange équilibré de photographies avec et sans masques. Ces photos ont été sélectionnées pour représenter une grande variété de kinds, de matériaux et de situations d’éclairage.
- La préparation des données a constitué une étape cruciale dans le développement de notre modèle. Chaque picture a d’abord été redimensionnée à un format customary et normalisée, garantissant ainsi une cohérence dans les données d’entrée du modèle. Ensuite, nous avons procédé à une répartition stratégique de notre ensemble de données. (70% des photos allouées à l’ensemble d’entraînement, servant de base d’apprentissage pour notre modèle; 15% utilisé pour évaluer les performances du modèle en temps réel et ajuster ses paramètres, 15% réservé pour l’évaluation finale et impartiale des capacités de notre modèle.
- Structure du modèle : Un modèle de classification binaire a été construit en utilisant TensorFlow et Keras. L’structure choisie est un réseau de neurones convolutif (CNN), particulièrement efficace pour la reconnaissance d’photos.
- Entraînement: Le modèle a été entraîné sur 50 époques, avec une taille de lot (batch measurement) de 32. Cette section a permis au modèle d’apprendre progressivement à distinguer les photos contenant des masques de celles qui n’en contiennent pas.
- Validation et take a look at : À chaque étape de l’entraînement, le modèle a été validé sur un ensemble de données séparé pour éviter le surapprentissage. Un ensemble de take a look at closing a été utilisé pour évaluer les performances du modèle.
Résultats prometteurs : Efficiency et précision du modèle
Principaux indicateurs de efficiency:
- Précision finale: 98% (0.98) pour les photos présentant un masque ; 99% (0.99) pour celles sans masque.
- Perte (loss) finale : pratiquement nulle pour chacun des 2 datasets (0.037 et 3.345e-29)
Le graphique ci-dessous illustre l’évolution de la précision et de la perte du modèle au fil des époques d’entraînement. On word une différence marquée entre les courbes d’entraînement (bleu) et de validation (orange), ces dernières montrant une fluctuation plus prononcée. Bien que le modèle atteigne une précision quasi parfaite sur les données de take a look at, la volatilité des courbes de validation suggère une doable difficulté à généraliser sur des données inédites, indiquant un risque de surapprentissage. Malgré cela, ces résultats démontrent la capacité du modèle à détecter efficacement la présence ou l’absence de masques dans les photos.
La efficiency du modèle résulte de la convergence de plusieurs facteurs clés.
Tout d’abord, la qualité et la curation minutieuse de l’ensemble de données ont fourni une base solide pour l’apprentissage. Ensuite, le choix judicieux d’une structure de réseau neuronal convolutif (CNN) s’est révélé particulièrement adapté à cette tâche de reconnaissance visuelle. Enfin, l’optimisation des hyperparamètres, notamment l’ajustement du nombre d’époques et de la taille des heaps, a permis de maximiser l’apprentissage tout en cherchant à éviter le surapprentissage.
Néanmoins, pour confirmer pleinement la robustesse du modèle dans des situations réelles, il sera essentiel de conduire des checks extensifs sur des données entièrement nouvelles et indépendantes.
La prochaine section du projet vise à affiner le modèle pour reconnaître et classifier les masques selon leur origine tribale. Bien que le plan soit prone d’évoluer en fonction des résultats et des défis rencontrés, l’approche actuelle se concentre sur l’analyse de 12 à 15 caractéristiques clés des masques.
Initialement, nous allons commencer par les features les plus “faciles” à détecter : la couleur dominante, le matériau utilisé et la forme générale du masque. Au fur et à mesure que nous progresserons dans l’identification de ces caractéristiques et que nous approfondirons nos recherches ethnographiques, nous commencerons à formuler des hypothèses sur l’origine tribale des masques. Par exemple, un masque présentant une forme ovale, des couleurs terreuses et des yeux bridés pourrait être associé à l’ethnie Dogon du Malin (exemple complètement imaginé).
Il est necessary de souligner que l’objectif n’est pas d’atteindre une précision parfaite, mais plutôt de créer un outil d’aide à l’identification. Pour renforcer la fiabilité du processus, une seconde section du projet prévoit le développement d’une utility décentralisée. Cette plateforme permettra de soumettre les hypothèses d’appartenance et d’authenticité des masques à un consensus d’specialists utilisant la technologie blockchain, assurant ainsi une validation collective et transparente.
Ce projet de détection de masques par machine studying ouvre des views prometteuses pour la préservation et l’étude du patrimoine culturel africain. En fournissant un premier filtre d’authentification, l’outil pourrait considérablement accélérer et affiner le travail des musées et des collectionneurs. La création d’une base de données numérique faciliterait la recherche et la conservation de ce patrimoine inestimable, tandis que des functions éducatives pourraient sensibiliser le grand public à la richesse et à la diversité des masques africains.
Bien que cette technologie ait le potentiel d’assister et d’enrichir le travail des specialists en artwork, elle ne vise pas à remplacer leur experience cruciale. Tout au lengthy du développement de ce projet, nous restons attentifs aux questions éthiques, notamment le respect des cultures, la propriété des données et l’accès équitable à cette technologie pour les communautés d’origine.
La détection de masques par machine studying marque le début d’un travail à la croisée de la technologie et du patrimoine culturel. Ce projet ouvre la voie à de nouvelles possibilités dans la préservation et l’étude des artefacts culturels.
Les personnes intéressées peuvent tester la première fonction de l’outil de reconnaissance de masques by way of le bot Telegram : https://t.me/TribAuth_Bot
Pour faire progresser ce projet, toute contribution est précieuse : experience en ethnologie ou en histoire de l’artwork africain, partage de photographies de masques pour enrichir la base de données…
Kodit.ai, spécialiste du développement de options digitales, rend doable la création de options technologiques qui respectent et valorisent le riche patrimoine culturel africain.