Sport Image Recognition System

Descrizione

Questa applicazione è un sistema di riconoscimento di immagini sportive sviluppato per l'esame di Visual Information Processing and Management 2025-2026. L'applicativo utilizza modelli di deep learning per classificare immagini di sport diversi, eseguire ricerche di similarità, applicare augmentation e miglioramenti alle immagini. L'app è costruita con Streamlit e offre un'interfaccia web intuitiva per interagire con le varie funzionalità.

Funzionalità principali:

• Task 1 e 2: Classificazione di immagini sportive (sia in condizioni ottimali sia in condizioni degradate) tramite modelli addestrati su diversi training sets.
• Task 3: Classificazione di immagini sportive degradate partendo da un training set di ridotte dimensioni.
• Similarity Search: Ricerca di immagini simili nel dataset.
• Augmentation Playground: Playground per applicare e testare le tecniche di data augmentation per le immagini.
• Image Enhancement: Miglioramento della qualità delle immagini degradate.

Installazione

Prerequisiti

• Python 3.13
• pip

Passi per l'installazione

1. Clona il repository:

   git clone https://github.com/AlessandroIsceri/SportImageRecognitionSystem.git
   cd SportImageRecognitionSystem

2. Crea un ambiente virtuale:

   python -m venv venv
   venv\Scripts\activate  # Su Windows

3. Installa le dipendenze:

   pip install -r requirements.txt

4. Scarica la cartella data dal seguente dataset su Kaggle

5. Inserisci la cartella data nella root della repository

6. Avvia l'applicazione:

   streamlit run app/main.py

L'app sarà accessibile su http://localhost:8501.

Note sui Notebooks

La cartella notebooks/ contiene vari Jupyter notebooks utilizzati per lo sviluppo, il training e il test dei modelli:

• augmentation/: Notebooks per l'augmentation delle immagini.
• training/Task1/ e training/Task3/: Notebooks per il training dei modelli, con varie versioni e configurazioni.
• test/Task1/ e test/Task3/: Notebooks per testare su Task 1 e Task 3 i modelli Baseline, Improved Baseline, InceptionV3 fine-tuned, VGG-Like, e VGG-Like-SURF (trainati in precedenza).
• SURF/: Estrazione di feature utilizzando SURF e concatenazione con VGG-Like.
• images-embeddings.ipynb: Generazione di embeddings per le immagini.
• profiler-macs-flops.ipynb: Profilazione delle prestazioni dei modelli (MACs e FLOPs).

Questi notebooks sono utili per comprendere il processo di sviluppo, riprodurre i risultati e sperimentare con i modelli.

Struttura del Progetto

• app/: Codice principale dell'applicazione Streamlit.
• config/: File di configurazione.
• data/: Dataset, embeddings, modelli salvati.
• notebooks/: Jupyter notebooks per analisi e sviluppo.
• requirements.txt: Dipendenze Python.