Identification des pièces d'échecs

Identification des pièces d'échecs

Les échecs sont un jeu stratégique célèbre, avec une histoire de plusieurs siècles, reconnu pour sa complexité et pour les exigences élevées de pensée logique et de planification. Le lien entre les échecs et l'intelligence artificielle est étroit : de nombreux algorithmes et techniques d'apprentissage automatique ont été développés précisément pour créer des agents capables de jouer aux échecs à un niveau élevé.

Un moment historique dans ce contexte a été en 1997, lorsque l'ordinateur Deep Blue, développé par IBM, a vaincu le champion du monde Garry Kasparov, démontrant le potentiel des ordinateurs dans les jeux stratégiques complexes.

🗂 Données reçues

Vous disposez d'un ensemble de données composé des fichiers suivants :

📁 train.csv

Contient :

• id – identifiant unique (P00001, P00002 …)
• image_path – chemin vers l'image
• label – type de pièce (bishop, knight, pawn, queen, rook)

📁 test.csv

Contient :

• id – identifiant unique
• image_path – chemin vers l'image

Toutes les images sont stockées dans le répertoire images/.

🎯 Tâche de travail

Construisez un modèle de classification d'images qui peut différencier les pièces d'échecs (bishop, knight, pawn, queen, rook). Vous pouvez utiliser n'importe quelle architecture moderne de deep learning : ResNet, EfficientNet, Vision Transformer, ConvNeXt etc., éventuellement avec du fine-tuning sur des modèles pré-entraînés.

À la fin, vous générerez un fichier submission.csv avec la forme :

1id,label2P00081,queen3P00082,knight

📊 Évaluation

La métrique utilisée pour l'évaluation du modèle est la précision :

1accuracy = (nombre_prédictions_correctes / nombre_total_prédictions)

🏅 Système de notation :

• accuracy ≥ 90% → 100 points
• accuracy < 20% → 0 points
• sinon → score proportionnel entre 0 et 100