Computer Vision & IA appliquée à l’image

Plongez au cœur de la vision par ordinateur : explorez les grands concepts de l’IA appliquée aux images, maîtrisez OpenCV pour transformer et analyser visuellement les données, utilisez TensorFlow pour détecter et classifier objets et scènes, améliorez les performances de vos modèles, et développez une application complète mêlant puissance algorithmique et traitement d’image en temps réel.

21 heures sur 3 jours

à Paris & à distance
(Zoom, Google Meet, etc.).

2 100 € HT / personne

Etudions ensemble vos options
de financement

Objectifs de la formation

Computer Vision & IA appliquée à l’image

Identifier les concepts fondamentaux de la vision par ordinateur et de l’IA appliquée aux images.
Utiliser OpenCV pour le traitement et la manipulation d’images.
Appliquer TensorFlow et ses bibliothèques associées pour la classification et la détection d’objets.
Évaluer les performances des modèles de vision par ordinateur et les améliorer.
Développer une application pratique intégrant OpenCV et TensorFlow pour l’analyse d’images.

Pré-requis pour suivre cette formation

Connaissance de base en programmation Python Notions fondamentales en machine learning et deep learning Familiarité avec NumPy et Pandas (recommandé) Environnement Python installé avec TensorFlow et OpenCV (facultatif, mais conseillé)

A qui s'adresse cette formation ?

Développeurs, ingénieurs en IA, data scientists, chercheurs et toute personne souhaitant explorer l’IA appliquée à l’image.

Formations recommandées

Aucun programme supplémentaire n'est requis pour suivre cette formation.

Au programme de la formation
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

Méthode pédagogique

8 participants maximum, un poste par stagiaire et un support de cours est remis en fin de stage. La formation est constituée d'apports théoriques, de démonstrations et de mises en pratique basées sur des exercices (méthode démonstrative).

Accessibilité

Cette formation est accessible aux personnes en situation de handicap.

Modalité de validation des acquis

Évaluation continue des connaissances via des exercices et/ou ateliers et des acquis via un questionnaire en fin de formation. Attestation de fin de stage (certificat de réalisation). Émargement quotidien d'une feuille de présence.

Demander des informations

Vous souhaitez en savoir plus ou directement vous inscrire à une session ?
Contactez-nous pour monter votre dossier !

Aucune session n'est programmée.
Contactez-nous pour définir librement vos propres dates
Demander le programme
S'inscrire directement

Responsable de formation

Participants

Participant
x
Ajouter un participant

Financement

Comment souhaitez-vous financer cette formation ?


Modalités

Souhaitez-vous du distanciel ou du présentiel ?



Envoyer l'inscription
Merci, un conseiller vous contacte rapidement !
deco validation Ziggourat

Formations similaires

Ces formations pourraient vous intéresser

Voir d'autres formations
Voir d'autres formations