Computer Vision & IA appliquée à l’image

Fondamentaux de la vision par ordinateur

• Concepts de la vision par ordinateur : objectifs et enjeux

• Représentation des images (niveaux de gris, couleurs, matrices)

• Domaines d’application : surveillance, santé, automobile, etc.

• Types de tâches : classification, détection, segmentation

Présentation d’OpenCV

• Historique et écosystème d’OpenCV

• Installation de la bibliothèque (pip, conda, environnement virtuel)

• Présentation des modules et fonctions principales

• Premier script : lecture, affichage, enregistrement d’images

Manipulation d’images avec OpenCV

• Redimensionnement, recadrage, rotations

• Conversions de couleurs (RGB, HSV, Gray)

• Application de filtres simples (moyenne, gaussien, médian)

• Sauvegarde et visualisation d’images modifiées

Opérations et détection de formes

• Détection de contours (Canny)

• Seuillage global et adaptatif

• Détection de formes géométriques (cercles, lignes, contours)

• Exercices pratiques de transformation d’images

Bases du Deep Learning pour les images

• Différences entre approche classique et Deep Learning

• Présentation d’un CNN : couches convolutives, pooling, dense

• Fonction d’activation, normalisation, et coût

• Cas d’usage du Deep Learning en vision par ordinateur

Utilisation de TensorFlow et Keras

• Installation et prise en main de TensorFlow/Keras

• Chargement de jeux de données intégrés (MNIST, CIFAR-10)

• Prétraitement des images : redimensionnement, normalisation

• Visualisation des données pour le diagnostic

Création et entraînement d’un CNN

• Définition d’un modèle séquentiel pour la classification

• Compilation, entraînement, et validation

• Utilisation de callbacks (EarlyStopping, ModelCheckpoint)

• Enregistrement du modèle entraîné

Amélioration du modèle

• Techniques d’augmentation de données (flip, rotation, zoom)

• Dropout et régularisation pour éviter l’overfitting

• Évaluation de la performance : précision, rappel, confusion

• TP : entraînement complet d’un CNN personnalisé

Détection d’objets avec OpenCV

• Utilisation des Haar cascades pour la détection de visages

• Introduction à HOG + SVM pour la détection humaine

• Avantages/inconvénients de ces méthodes classiques

• Implémentation sur images et vidéos

Modèles pré-entraînés de détection

• Présentation de YOLO, SSD et Faster R-CNN

• Téléchargement et utilisation avec OpenCV ou TensorFlow

• Gestion des classes, scores de confiance, et boîtes englobantes

• Évaluation des performances des modèles

Intégration dans une application temps réel

• Capture vidéo en direct avec OpenCV

• Intégration de la détection d’objets dans un flux caméra

• Interface utilisateur simple (affichage des résultats, interaction)

• Optimisation temps réel : threading, redimensionnement, GPU

Projet final et perspectives

• Développement d’une application de reconnaissance en temps réel

• Analyse des résultats : robustesse, biais, précision

• Discussion autour de l’éthique et des usages responsables

• Évolutions technologiques à venir en vision par ordinateur