Transparence
La fiche du modèle
Ce que le modèle sait faire, sur quelles données, avec quelle marge d'erreur — et ce qu'il ne sait pas faire.
- gold-jewellery v1
- 12 oct. 2026
- efficientnet_b0
- 320 px
La chaîne complète, mesurée sur le jeu de test
321 bijoux jamais vus à l'entraînement : 164 contrefaçons et 157 authentiques. Les photos hors périmètre et la zone d'incertitude comptent comme « non concluant ».
| Étiquette de la source | Risque élevé | Non concluant | Risque faible |
|---|---|---|---|
| Contrefaçons | 130 | 27 | 7 |
| Authentiques | 5 | 26 | 126 |
- Contrefaçons signalées « risque élevé »
- 79,3 %
- Contrefaçons classées « risque faible »
- 4,3 %
- Authentiques signalés « risque élevé »
- 3,2 %
- Authentiques classés « risque faible »
- 80,3 %
- Justesse des verdicts « risque élevé »
- 96,3 %
- Justesse des verdicts « risque faible »
- 94,7 %
- Analyses non concluantes
- 16,5 %
- Justesse quand le modèle tranche
- 95,5 %
Sans abstention
Si l'on forçait le modèle à trancher à chaque fois, sans zone d'incertitude :
- Aire sous la courbe ROC
- 96,3 %
- Justesse forcée (seuil 50 %)
- 91,3 %
- Meilleur modèle publié par les auteurs
- 95,0 %
- Experts humains, d'après les auteurs du jeu de données
- 89,8 %
Ces deux références ne sont pas directement comparables à nos mesures : les auteurs évaluent image par image, or le jeu contient 116 fichiers en double exact. Notre découpage garde chaque doublon dans un seul sous-ensemble, ce qui rend le test plus sévère.
Calibration et seuils
La probabilité affichée est recalée sur la validation (mise à l'échelle par température). Le modèle rend « risque élevé » à partir de 83,5 % et « risque faible » jusqu'à 20,0 % ; entre les deux, il s'abstient.
- Erreur de calibration avant
- 3,1 %
- Erreur de calibration après
- 3,2 %
Le modèle regarde-t-il le bijou ou le décor ?
Sonde : on réduit chaque photo à une vignette de 24 pixels, où plus aucune texture de métal n'est lisible, et l'on entraîne un classifieur simple dessus.
- Justesse à partir des seules vignettes
- 75,4 %
- Niveau du hasard
- 51,1 %
- Justesse d'un classifieur simple sur les photos entières
- 80,4 %
Les vignettes suffisent à faire nettement mieux que le hasard : une partie de ce que le modèle a appris tient au contexte des photos (fond, cadrage, source) et non à la matière. Sa performance sur vos propres photos peut être inférieure aux chiffres ci-dessus.
Garde de périmètre
Avant de noter une photo, le modèle vérifie qu'elle ressemble aux bijoux qu'il connaît.
- Photos du jeu de test écartées à tort
- 1,6 %
- Photos sans rapport écartées (37 fonds d'écran)
- 37 / 37
Données
Jeu de données GoldNet : photos prises au smartphone, une photo par bijou.
- Images
- 2 127
- Licence
- CC BY 4.0
- Entraînement
- 1 486
- Validation
- 320
- Test
- 321
- Groupes de quasi-doublons gardés dans un même sous-ensemble
- 119
Limites connues
- Le résultat est une estimation statistique à partir d'une photo. Il ne remplace ni un essai du métal ni l'avis d'un professionnel.
- Le modèle a appris sur un seul jeu de données public : GoldNet, 2 127 bijoux.
- La source ne documente pas comment les étiquettes authentique / contrefaçon ont été établies.
- Les bijoux viennent surtout d'Iran et du marché du Golfe : la fiabilité sur d'autres styles n'est pas mesurée.
- Chaque bijou n'a qu'une photo dans le jeu de données : la combinaison de plusieurs photos n'est pas validée expérimentalement.
- Le filtre qui écarte les photos hors sujet n'a été vérifié que sur une petite sonde informelle.
- Le décor des photos suffit en partie à séparer les deux classes : le modèle a pu apprendre des indices de contexte plutôt que de matière.