Distracted Driver Detection Model using Transfer Learning
تفاصيل العمل
## 🚗 Distracted Driver Detection Using Deep Learning
مشروع **Computer Vision** يهدف إلى تطوير نموذج ذكاء اصطناعي قادر على اكتشاف وتصنيف سلوكيات السائق أثناء القيادة تلقائيًا من خلال صور كاميرا مثبتة داخل السيارة، بهدف المساعدة في تحسين **Road Safety** وتقليل مخاطر القيادة المشتتة.
تم بناء وتدريب نموذج **Deep Learning باستخدام Transfer Learning** اعتمادًا على **MobileNetV2** المدرب مسبقًا على ImageNet، مع تصميم طبقة تصنيف مخصصة للتعرف على سلوكيات السائق المختلفة.
### 🔍 What the Model Detects
تم تدريب النموذج على **10 فئات مختلفة لسلوك السائق** باستخدام **State Farm Distracted Driver Detection Dataset**، وتشمل الفئات القيادة الآمنة بالإضافة إلى سلوكيات مثل:
* استخدام الهاتف أثناء القيادة.
* إرسال الرسائل النصية.
* التحدث عبر الهاتف.
* الوصول إلى أشياء داخل السيارة.
* سلوكيات القيادة المشتتة الأخرى.
### ⚙️ Model Architecture
تم استخدام **MobileNetV2** كنموذج أساسي للاستفادة من بنيته الخفيفة والفعالة، مع تطبيق **Transfer Learning** من خلال:
* استخدام MobileNetV2 المدرب مسبقًا على ImageNet.
* تجميد الـBase Layers للاستفادة من الـPre-trained Features.
* إضافة Custom Classification Head.
* **Dense(128)** layer.
* **Dropout(0.5)** لتقليل الـOverfitting.
* **Softmax** لإجراء التصنيف النهائي للـ10 Classes.
* استخدام **Adam Optimizer** بمعدل تعلم **0.0001**.
* استخدام **Categorical Crossentropy** كـLoss Function.
### 🧪 Data Preparation & Training
تم تجهيز البيانات وتقسيمها إلى **80% Training و20% Validation**، مع تطبيق تقنيات **Data Augmentation** لزيادة تنوع البيانات وتحسين قدرة النموذج على التعميم على صور جديدة.
### 📊 Model Evaluation
تم تقييم أداء النموذج باستخدام مجموعة من أدوات التحليل والتصور، من بينها:
* Training & Validation Accuracy.
* Training & Validation Loss.
* **Confusion Matrix** لتحليل أداء النموذج في الفئات العشر.
* تحليل **Per-Sample Predictions**.
* عرض **Confidence Scores** لكل prediction.
* تحليل الحالات التي يواجه فيها النموذج صعوبة في التمييز بين السلوكيات المتشابهة بصريًا.
### 💡 Key Insight
أحد أهم التحديات كان أن بعض سلوكيات السائق تبدو متشابهة جدًا من زاوية الكاميرا داخل السيارة، مما يجعل الـ**Confusion Matrix** أداة مهمة لفهم الأخطاء وتحليل الفئات التي يصعب على النموذج التفريق بينها.
كما أن استخدام **MobileNetV2** يوفر توازنًا جيدًا بين الأداء وخفة النموذج، مما يجعله مناسبًا لفكرة نشر نماذج Computer Vision في أنظمة **Real-Time Embedded Systems** مثل Dashcams وDriver-Assistance Systems.
### 🛠️ Technologies & Skills
**Python | TensorFlow | Keras | MobileNetV2 | Transfer Learning | Deep Learning | Computer Vision | CNN | Image Classification | Data Augmentation | OpenCV | Model Evaluation | Confusion Matrix**
### 🎯 Project Outcome
المشروع قدم تطبيقًا عمليًا لاستخدام **Deep Learning وTransfer Learning** في مشكلة واقعية مرتبطة بسلامة الطرق، مع التركيز على بناء نموذج تصنيف خفيف يمكن تطويره مستقبلًا ليعمل في أنظمة **Real-Time Driver Monitoring**.