Riconoscimento di Opere d'Arte da immagini: Approcci di Computer Vision e Machine Learning.

The project focuses on the application of computer vision and machine learning techniques for automated artwork recognition. The goal was to develop a deep learning model capable of identifying and classifying digital artworks according to artistic movement, exploiting a dataset containing images of paintings and sculptures. Using the ResNet50 convolutional neural network model, pretrained on ImageNet and adapted using the transfer learning technique, the project was trained on a dataset extracted from WikiArt. The dataset was preprocessed, with resized and normalized images, and annotations were reorganized to facilitate model training. The results obtained showed a model accuracy of about 70% on a test set, highlighting the model's ability to correctly recognize the artistic movement of a work. This work represents a contribution to the applications of computer vision in the field of art, opening possibilities for future developments in museum settings and interactive educational tools. The entire project was implemented using Python and open source libraries such as TensorFlow and Pillow, with the goal of making the system accessible for further improvement and integration.

La tesi si concentra sull'applicazione di tecniche di computer vision e machine learning per il riconoscimento automatizzato di opere d'arte. L'obiettivo è stato quello di sviluppare un modello di deep learning in grado di identificare e classificare opere d'arte digitali secondo il movimento artistico, sfruttando un dataset contenente immagini di dipinti e sculture. Utilizzando il modello di rete neurale convoluzionale ResNet50, pre-addestrato su ImageNet e adattato con la tecnica del transfer learning, il progetto è stato addestrato su un dataset estratto da WikiArt. Il dataset è stato preprocessato, con immagini ridimensionate e normalizzate, e le annotazioni sono state riorganizzate per facilitare l’addestramento del modello. I risultati ottenuti hanno mostrato un’accuratezza del modello pari a circa il 70% su un set di test, evidenziando la capacità del modello di riconoscere correttamente il movimento artistico di un’opera. Questo lavoro rappresenta un contributo alle applicazioni della computer vision nell’ambito dell’arte, aprendo possibilità per futuri sviluppi in contesti museali e per strumenti educativi interattivi. L’intero progetto è stato implementato utilizzando Python e librerie open source come TensorFlow e Pillow, con l’obiettivo di rendere il sistema accessibile per ulteriori miglioramenti e integrazioni.