Conclusion 
============

Dans le contexte industriel, le tri est utilisé dans de nombreuses applications. Le projet que nous avons développé vise à créer un modèle de reconnaissance des déchets plastiques et à suivre leurs mouvements, tout en concevant une interface de supervision pour une ligne de tri des déchets plastiques. Enfin, nous avons atteint notre objectif presque de 90%.

Au cours de ce projet, nous avons acquis des compétences pratiques, notamment dans l'utilisation des outils de vision par ordinateur (détection et suivi d'objets), ainsi que des compétences propres au travail d'un data scientist (annotation de données, traitement, redimensionnement, etc.). Nous avons également développé des compétences managériales, telles que le travail en équipe, et appris à gérer des situations complexes. De plus, la collecte manuelle de données nous a permis de comprendre l'importance de la persuasion et de la gestion des interactions pour convaincre les autres et résoudre des problèmes de manière collaborative.

Les perspectives envisagées pour ce projet incluent l'amélioration de la précision de notre  modèle de détection. En raison de contraintes de temps, nous avons collecté une quantité limitée de données, ce qui a affecté la qualité du modèle. Dans un contexte industriel, il serait nécessaire de disposer d'un volume de données plus large et plus diversifié pour améliorer la précision et la robustesse de modèle. Une autre perspective consiste à créer une application web bien développée, offrant davantage de fonctionnalités et de choix pour une supervision plus complète et une meilleure gestion du processus de tri.