diff --git a/data/raw/.gitignore b/data/raw/.gitignore
new file mode 100644
index 0000000..28e94f5
--- /dev/null
+++ b/data/raw/.gitignore
@@ -0,0 +1,4 @@
+# Ignore everything in this directory
+*
+# Except this .gitignore file
+!.gitignore
\ No newline at end of file
diff --git a/data/results/.gitkeep b/data/results/.gitkeep
new file mode 100644
index 0000000..e69de29
diff --git a/data/training/.gitkeep b/data/training/.gitkeep
new file mode 100644
index 0000000..e69de29
diff --git a/notes.md b/notes.md
new file mode 100644
index 0000000..17f4f79
--- /dev/null
+++ b/notes.md
@@ -0,0 +1,59 @@
+
+## 📄 Résumé Technique du Projet
+
+Votre projet vise à créer un système capable d'**identifier et de classer les personnes** dans des images et 
+des vidéos, en allant au-delà de la simple classification d'objets.
+
+### 🎯 Objectif Principal : Reconnaissance d'Identité
+
+L'objectif n'est pas seulement de classer des catégories (ex: "chat"), mais d'identifier des **entités 
+uniques** (ex: "Cette personne est Alice"), ce qui nécessite une approche de **Reconnaissance d'Identité** 
+basée sur l'apprentissage des similarités.
+
+### ⚙️ Le Pipeline Technique Recommandé
+
+Le système se décompose en quatre étapes principales, utilisant des techniques de **Vision par Ordinateur** et 
+de **Deep Learning**.
+
+| Étape | Objectif | Technique Clé | Rôle |
+| :--- | :--- | :--- | :--- |
+| **1. Détection** | Localiser les visages/têtes dans l'image. | Détection d'objets (YOLO, MTCNN) | Trouver la 
+position exacte de la tête. |
+| **2. Extraction (Embedding)** | Transformer le visage en une représentation numérique unique. | Réseaux 
+Neuronaux (CNNs) | Générer un vecteur (Embedding) unique pour chaque personne. |
+| **3. Stockage** | Sauvegarder les identités. | Base de données (SQL) | Stocker les vecteurs d'identité 
+(Embeddings) de toutes les personnes. |
+| **4. Comparaison** | Identifier les correspondances. | Calcul de similarité (Distance Euclidienne) | Comparer 
+un nouvel embedding avec ceux stockés pour déterminer l'identité. |
+
+### 🛠️ Technologies et Librairies Python
+
+Pour implémenter ce pipeline, voici les outils que vous devrez maîtriser :
+
+| Catégorie | Technologies Recommandées | Usage Spécifique |
+| :--- | :--- | :--- |
+| **Traitement d'Image** | **OpenCV (cv2)** | Lecture, manipulation (recadrage), et gestion des flux vidéo. |
+| **Détection** | **dlib, YOLO** | Détection rapide et précise des visages et des têtes. |
+| **Deep Learning** | **TensorFlow** ou **PyTorch** | Construire et entraîner les modèles de Réseaux Neuronaux. 
+|
+| **Modèles Spécifiques** | **FaceNet, ArcFace** | Implémentations de modèles spécialisés pour la 
+reconnaissance d'identité (génération des *Embeddings*). |
+| **Interface Utilisateur**| **Streamlit** ou **Flask** | Créer une interface simple pour téléverser les images 
+et afficher les résultats. |
+| **Base de Données** | **SQLite** ou **PostgreSQL** | Stocker de manière structurée les identités et les 
+métadonnées. |
+
+### 💡 Conclusion sur l'Entraînement
+
+**Oui, l'entraînement est nécessaire**, mais il ne s'agit pas d'une simple classification de catégorie. Il 
+s'agit d'un entraînement pour que le modèle apprenne à créer des **représentations (Embeddings)** uniques pour 
+chaque personne, ce qui permet ensuite de faire la **reconnaissance d'identité** (comparer la similarité des 
+vecteurs).
+
+**Stratégie de Démarrage :**
+
+1.  **Maîtriser la Détection :** Commencez par utiliser OpenCV pour détecter les visages.
+2.  **Explorer les Modèles Pré-entraînés :** Utilisez des bibliothèques existantes comme **`face_recognition`** 
+(basée sur dlib) ou des implémentations de **FaceNet** pour valider le concept de l'embedding.
+3.  **Intégrer le Deep Learning :** Une fois les bases acquises, intégrez un framework comme TensorFlow/PyTorch 
+pour entraîner votre propre modèle de *FaceNet* ou *ArcFace* sur votre propre jeu de données.
\ No newline at end of file
diff --git a/src/__init__.py b/src/__init__.py
new file mode 100644
index 0000000..e69de29