Automatisation n8n : classification d'images avec KNN
Ce workflow n8n est conçu pour automatiser le processus de classification d'images en utilisant un classificateur KNN (K-Nearest Neighbors) sur un ensemble de données d'images. Dans un contexte où les entreprises doivent souvent traiter et classer de grandes quantités d'images, ce workflow permet de gagner du temps et d'améliorer l'efficacité. Il est particulièrement utile pour les équipes de data science et de machine learning qui cherchent à automatiser l'analyse d'images et à obtenir des résultats rapides et précis. Le workflow commence par le déclencheur d'exécution d'un autre workflow, suivi de l'étape d'embed d'image via une requête HTTP. Ensuite, il interroge Qdrant pour récupérer les données nécessaires. L'étape suivante consiste à appliquer un vote majoritaire pour déterminer la classe de l'image. Si un tirage au sort est détecté, le workflow vérifie cette condition avant de retourner la classe finale. Les étapes intermédiaires incluent la propagation des variables de boucle et l'augmentation de la limite KNN, ce qui permet d'ajuster le modèle en fonction des besoins. En intégrant ce workflow, les entreprises bénéficient d'une automatisation n8n qui réduit les erreurs humaines, améliore la rapidité de traitement des images et optimise les ressources. Cela permet aux équipes de se concentrer sur des tâches à plus forte valeur ajoutée tout en assurant une classification précise et efficace des images.
À qui s'adresse ce workflow ?
Ce workflow s'adresse principalement aux équipes de data science et de machine learning dans les entreprises de taille moyenne à grande. Il est conçu pour des utilisateurs ayant un niveau technique intermédiaire, familiarisés avec les concepts d'apprentissage automatique et d'automatisation des processus.
Ce que ce workflow résout
Ce workflow résout le problème de la classification manuelle des images, qui peut être long et sujet à des erreurs. En automatisant ce processus avec un classificateur KNN, les utilisateurs peuvent réduire considérablement le temps nécessaire pour obtenir des résultats fiables. Cela diminue également le risque d'erreurs humaines et permet une gestion plus efficace des données d'images, offrant ainsi une solution scalable pour les entreprises traitant de grandes quantités d'images.
Comment ça fonctionne
Étape 1 : Le workflow est déclenché manuellement.
- 01Étape 1 : Une image est intégrée via une requête HTTP.
- 02Étape 2 : Les données sont récupérées en interrogeant Qdrant.
- 03Étape 3 : Un vote majoritaire est effectué pour déterminer la classe de l'image.
- 04Étape 4 : Si un tirage au sort est détecté, le workflow vérifie cette condition.
- 05Étape 5 : Les variables de boucle sont propagées et la limite KNN est augmentée pour ajuster le modèle.
- 06Étape 6 : La classe finale est retournée en fonction des résultats obtenus.
On adapte ce workflow à votre stack.
CRM, outils internes, briques métier — on connecte tout via n8n et on vous livre une automatisation prête à l'emploi.
Visualisation du workflow n8n
Schéma des nœuds et connexions de ce workflow n8n, généré à partir du JSON n8n.
Importer dans n8n en un clic
Inscris-toi gratuitement pour télécharger le fichier .json, puis fais Import from File dans n8n pour déployer le workflow en quelques secondes.
Inscris-toi gratuitement pour télécharger le workflow et l'importer dans n8n.
Télécharger gratuitementInscription en 30 secondes · Sans CB
Personnaliser ce workflow
Pour personnaliser ce workflow, vous pouvez modifier l'URL de la requête HTTP pour intégrer vos propres images. Il est également possible d'ajuster les paramètres du classificateur KNN, comme la valeur de K, pour optimiser la précision de la classification. Si vous souhaitez intégrer d'autres outils ou services, vous pouvez ajouter des noeuds supplémentaires ou modifier les noeuds existants pour répondre à vos besoins spécifiques. Assurez-vous de surveiller les performances du flux et d'ajuster les conditions selon les résultats obtenus.
Détail des nœuds n8n
- 01Embed image
Ce noeud envoie une requête HTTP pour intégrer une image à partir d'une URL spécifiée.
- 02Query Qdrant
Ce noeud effectue une requête HTTP pour interroger la base de données Qdrant.
- 03Majority Vote
Ce noeud exécute un code Python pour déterminer le vote majoritaire parmi les données fournies.
- 04Increase limitKNN
Ce noeud définit une variable pour augmenter la limite de KNN dans le traitement des données.
- 05Propagate loop variables
Ce noeud permet de propager des variables de boucle à travers le workflow.
- 06Image Test URL
Ce noeud définit une URL de test pour une image à utiliser dans le workflow.
- 07Return class
Ce noeud définit une variable pour retourner une classe spécifique dans le traitement des données.
- 08Check tie
Ce noeud vérifie une condition pour déterminer s'il y a égalité dans les résultats.
- 09Qdrant variables + embedding + KNN neigbours
Ce noeud définit des variables pour les données Qdrant, l'embedding et les voisins KNN.
- 10Sticky Note
Ce noeud crée une note autocollante avec des paramètres de couleur, largeur, hauteur et contenu.
- 11Sticky Note1
Ce noeud crée une note autocollante avec une couleur et un contenu spécifiés.
- 12Execute Workflow Trigger
Ce noeud déclenche l'exécution d'un autre workflow.
- 13Sticky Note2
Ce noeud crée une note autocollante avec des paramètres de largeur, hauteur et contenu.
- 14Sticky Note3
Ce noeud crée une note autocollante avec une hauteur et un contenu spécifiés.
- 15Sticky Note4
Ce noeud crée une note autocollante avec une hauteur et un contenu définis.
- 16Sticky Note5
Ce noeud crée une note autocollante avec des paramètres de largeur, hauteur et contenu.
- 17Sticky Note6
Ce noeud crée une note autocollante avec une hauteur et un contenu spécifiés.
- 18Sticky Note10
Ce noeud crée une note autocollante avec des paramètres de couleur, largeur, hauteur et contenu.
Vous n'avez pas besoin de plus de canaux.
Vous avez besoin d'un pilote.
Audit gratuit · 48hGratuitRésultats en 48 hSans engagement
06 17 12 54 284,9Google4,96Sortlist4,3Trustpilot40+ clients B2B