Retour aux formations
IA & Data
Computer Vision – Fondamentaux et applications industrielles
3 jour(s) • 21h
Description
Maîtriser les fondamentaux de la vision par ordinateur et mettre en œuvre des modèles performants pour des cas d’usage industriels, de la préparation des données au déploiement.
Objectifs pédagogiques
- Comprendre les principes fondamentaux de la vision par ordinateur
- Manipuler des images numériques et extraire des caractéristiques pertinentes
- Implémenter des modèles de Deep Learning (CNN, YOLO, segmentation)
- Exploiter le transfer learning pour des cas métier
- Préparer et annoter des datasets d’images
- Déployer un modèle de vision sur un environnement industriel (edge)
Public concerné
Data scientists
ingénieurs machine learning
chefs de projet IA
Prérequis
Bonnes bases en Python
Connaissances en machine learning (supervisé)
Notions de Deep Learning recommandées
Connaissance de base des librairies type NumPy, Pandas
Déroulé du programme
1
JOUR 1- Module 1 – Introduction et traitement d’images (3h30)
3h
- Représentation des images numériques (pixels, canaux, formats)
- Opérations de base : redimensionnement, filtrage, normalisation
- Introduction aux convolutions et filtres (blur, edge detection)
- Premiers outils : OpenCV, Pillow
- Activité pratique : Manipulation d’images
2
Chargement, transformation et visualisation d’images avec OpenCV
3
Application de filtres (flou, contours) sur un dataset simple
4
JOUR 1- Module 2 – Extraction de caractéristiques et introduction aux CNN (3h30)
3h
- Feature extraction : SIFT, HOG (concepts)
- Limites des méthodes classiques
- Introduction aux réseaux de neurones convolutifs (CNN)
- Fonctionnement des couches : convolution, pooling, activation
- Activité pratique : Implémentation d’un CNN simple
5
Construction d’un modèle CNN avec TensorFlow/PyTorch
6
Entraînement sur un dataset type (MNIST ou CIFAR-10)
7
JOUR 2- Module 3 – Architectures CNN modernes (3h30)
3h
- Architectures avancées : ResNet, EfficientNet
- Introduction aux Vision Transformers (ViT)
- Comparaison performances / complexité
- Bonnes pratiques d’entraînement
- Activité pratique : Benchmark de modèles
8
Entraînement et comparaison ResNet vs EfficientNet
9
Analyse des performances (accuracy, loss)
10
JOUR 2- Module 4 – Tâches de vision : classification, détection et segmentation (3h30)
3h
- Classification d’images (rappel + optimisation)
- Détection d’objets : principes (YOLO)
- Segmentation : semantic vs instance segmentation
- Cas d’usage industriels (qualité, surveillance, médical)
- Activité pratique : Détection d’objets
11
Utilisation d’un modèle YOLO pré-entraîné
12
Détection d’objets sur un dataset métier ou générique
13
JOUR 3- Module 5 – Données, annotation et transfer learning (3h30)
3h
- Constitution d’un dataset d’images
- Annotation avec CVAT et Label Studio
- Data augmentation
- Transfer learning et fine-tuning
- Activité pratique : Préparation d’un dataset métier
14
Annotation d’images avec un outil dédié
15
Fine-tuning d’un modèle pré-entraîné sur ces données
16
JOUR 3- Module 6 – Déploiement et cas industriel complet (3h30)
3h
- Optimisation de modèles (compression, quantization)
- Conversion ONNX
- Déploiement avec TensorRT (notions)
- Contraintes edge computing (latence, ressources)
- Activité pratique : Cas fil rouge – détection d’objets industriel
17
Entraînement d’un modèle de détection sur un cas métier
18
Export et simulation de déploiement (ONNX)
Informations
Durée
3 jour(s)
21h
Tarif
Sur demande
Formations similaires
IA & Data
Migration vers le Cloud
2 jour(s)
Sur demande
IA & Data
Agents IA — Concevoir des systèmes autonomes avec LangChain et LangGraph - Avancé
3 jour(s)
Sur demande
IA & Data
AI Act européen — Comprendre vos obligations et vous mettre en conformité - Niveau débutant
1 jour(s)
Sur demande
IA & Data
Analyse des données avec Microsoft Power BI (4-167)
3 jour(s)
2200 € HT