Fonctionnalités principales :

L’analyse commence par une lecture image par image de la vidéo. Afin d’alléger le traitement, le système ne traite qu’une image sur dix, ce qui correspond à un échantillonnage raisonnable tout en conservant une bonne précision. Lorsqu’un visage est suffisamment grand et bien visible, une analyse des émotions est déclenchée. Les deux émotions dominantes sont alors identifiées et directement annotées sur la vidéo. En parallèle, une timeline CSV est générée, retraçant pour chaque minute les émotions détectées, ce qui facilite leur visualisation et leur exploitation.

Pipeline technique (Azure + Databricks) :

Le pipeline repose sur l’infrastructure Azure et Databricks, assurant automatisation et scalabilité. Le système récupère automatiquement la dernière vidéo disponible sur Azure Blob Storage, déclenche le traitement IA (détection des visages, émotions, annotation), puis enregistre en sortie la vidéo annotée et sa timeline CSV dans le même espace de stockage. Enfin, les données de timeline sont sauvegardées dans une base de données PostgreSQL, permettant une analyse graphique via cette page web.

Modèles d’IA utilisés :

• YOLO v8 pour la détection de visages – https://yolov8.com/
• Modèle HuggingFace pour la détection d’émotions – facial_emotions_image_detection

Évaluation des performances :

Les modèles ont été évalués sur le dataset suivant : Kaggle FER Dataset

Précision globale : 0.847

Évolution des émotions détectées par minute :