Le traitement d’images par IA est au coeur de nombreuses applications industrielles : controle qualite, videosurveillance, imagerie medicale, vehicules autonomes. Cette formation vous apprend a utiliser Keras, PyTorch et OpenCV pour construire des modeles CNN, implementer la detection d’objets avec YOLO et Faster R-CNN, et generer des images avec les reseaux GAN.

Public visé

Chefs de projets et Data Scientists souhaitant comprendre les apports de l’IA pour le traitement d’images.

Objectifs pédagogiques

À l’issue de cette formation, vous serez capable de :

Mettre en oeuvre Keras, PyTorch et OpenCV pour le traitement d’images
Créer et entraîner des modèles CNN pour la classification d’images
Implémenter la détection d’objets avec YOLO, SSD et Faster R-CNN
Générer des images avec les réseaux GAN

Programme

Traitement d’images et IA

Introduction au traitement d’images et à l’apprentissage automatique
Présentation de Keras, PyTorch et OpenCV

Le projet TensorFlow

Historique
Fonctionnalités
Architecture distribuée
Plateformes supportées

Premiers pas avec TensorFlow

Principe des tenseurs
Caractéristiques d’un tenseur : type de données, dimensions
Définition de tenseurs simples
Gestion de variables et persistance
Représentation des calculs et des dépendances entre opérations par des graphes

Optimisation des calculs

Calculs distribués : différents types de stratégies (synchrone ou asynchrone), avec stockage centralisé des données ou dupliqué sur différents CPU
Distribution sur des GPUs
Utilisation de TPUs

Travaux pratiques

Exercices sur une plateforme multi-GPU (RIG)

Présentation des réseaux de neurones

Principe des réseaux de neurones
Différents types de couches
- Denses
- Convolutions
- Activations
Fonctionnement des réseaux de neurones convolutifs (CNN)
Descente de gradient
Multi-Layer Perceptron

Mise en oeuvre avec Keras

Conception d’un réseau de neurones
Création et entraînement d’un modèle CNN simple avec Keras
Classification d’images avec Keras
- Notion de classification
- Cas d’usage
- Architectures des réseaux convolutifs
- Réseaux ImageNet
- RCNN et SSD
- Démonstrations sur les convolutions

Optimisation d’un modèle

Visualisation avec TensorBoard
Optimisation des couches de convolutions
Choix des hyper-paramètres avec Keras et Keras Tuner
Utilisation de checkpoints

Détection d’objets avec OpenCV et IA

Principes de la détection d’objets
Les différents types de modèles de détection d’objets (classificateurs en cascade, YOLO, SSD, Faster R-CNN…)
Utilisation d’OpenCV pour la détection d’objets
Présentation approfondie de la bibliothèque OpenCV pour la vision par ordinateur
Configuration de l’environnement OpenCV
Charger et afficher des images dans OpenCV
Introduction aux classificateurs en cascade d’OpenCV pour la détection d’objets
Présentation des modèles IA pré-entraînés pour la détection d’objets
Comparaison des différents modèles disponibles (YOLO, SSD, Faster R-CNN…)
Choix du modèle en fonction des besoins de l’application

Segmentation d’images avec PyTorch

Comprendre la segmentation d’images
Création d’un modèle de segmentation convolutif avec PyTorch
Préparation des données d’entraînement pour la segmentation
Entraînement et évaluation des performances du modèle

Génération d’images avec les GAN

Introduction aux réseaux génératifs adverses (GAN)
Création d’un modèle GAN simple avec PyTorch

Modalités d’évaluation des acquis

En cours de formation, par des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation.

Voir aussi

Vous serez peut-être intéressés par les formations suivantes :

Formation EAI-VISION-100 — IA et traitement d’images. Domaine : Intelligence Artificielle. Niveau : Initiation. Durée : 3 jours (21 heures). Mots-clés : intelligence-artificielle, traitement-images, keras, pytorch, opencv, deep-learning, cnn. Cylian Formation, Dijon.