Computer Vision & IA appliquée à l’image
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 ordinateurConcepts 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’OpenCVHistorique 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 OpenCVRedimensionnement, 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 formesDétection 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 imagesDifférences 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 KerasInstallation 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 CNNDéfinition d’un modèle séquentiel pour la classification
Compilation, entraînement, et validation
Utilisation de callbacks (EarlyStopping, ModelCheckpoint)
Enregistrement du modèle entraîné
Amélioration du modèleTechniques 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 OpenCVUtilisation 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 détectionPrésentation 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 réelCapture 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 perspectivesDéveloppement 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
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
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 OpenCVRedimensionnement, 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 formesDétection 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 imagesDifférences 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 KerasInstallation 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 CNNDéfinition d’un modèle séquentiel pour la classification
Compilation, entraînement, et validation
Utilisation de callbacks (EarlyStopping, ModelCheckpoint)
Enregistrement du modèle entraîné
Amélioration du modèleTechniques 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 OpenCVUtilisation 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 détectionPrésentation 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 réelCapture 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 perspectivesDéveloppement 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
Redimensionnement, recadrage, rotations
Conversions de couleurs (RGB, HSV, Gray)
Application de filtres simples (moyenne, gaussien, médian)
Sauvegarde et visualisation d’images modifiées
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 imagesDifférences 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 KerasInstallation 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 CNNDéfinition d’un modèle séquentiel pour la classification
Compilation, entraînement, et validation
Utilisation de callbacks (EarlyStopping, ModelCheckpoint)
Enregistrement du modèle entraîné
Amélioration du modèleTechniques 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 OpenCVUtilisation 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 détectionPrésentation 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 réelCapture 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 perspectivesDéveloppement 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
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
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 CNNDéfinition d’un modèle séquentiel pour la classification
Compilation, entraînement, et validation
Utilisation de callbacks (EarlyStopping, ModelCheckpoint)
Enregistrement du modèle entraîné
Amélioration du modèleTechniques 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 OpenCVUtilisation 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 détectionPrésentation 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 réelCapture 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 perspectivesDéveloppement 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
Définition d’un modèle séquentiel pour la classification
Compilation, entraînement, et validation
Utilisation de callbacks (EarlyStopping, ModelCheckpoint)
Enregistrement du modèle entraîné
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 OpenCVUtilisation 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 détectionPrésentation 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 réelCapture 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 perspectivesDéveloppement 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
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
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 réelCapture 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 perspectivesDéveloppement 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
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
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 !

Formations similaires
Ces formations pourraient vous intéresser