Deep Learning et Vision par ordinateur

Depuis 2012, les méthodes de deep learning dans le domaine de la vision par ordinateur sont devenues un champ d'études très prisé. L'émergence des réseaux de neurones convolutionnels appelés CNNs ont grandement contribué à des avancées majeures. Les modèles n'ont cessé de s'améliorer permettant de classifier des images, de détecter plusieurs objets dans une image en encadrant chaque objet détecté, puis en labellisant chaque pixel de l'image, etc.

Découvrez comment mettre en œuvre ces différentes architectures en utilisant la librairie Open Source TensorFlow ou PyTorch. Cette formation pratique vous montrera les différentes architectures de réseaux CNN. Vous apprendrez comment concevoir des systèmes capables de classifier une image, de détecter des objets dans des images, de labelliser chaque pixel de l'image pour une détection plus précise. Puis vous découvrirez les dernières avancées du domaine.

Nous aborderons ces concepts à travers des exemples pratiques afin que vous puissiez utiliser cette technologie dans vos projets IA.

Durée : 3 jours, soit 21 heures.

• Composée à 70% de pratique, cette formation utilise des exercices illustrés et didactiques.
• Une évaluation quotidienne de l'acquisition des connaissances de la veille est effectuée.
• Une synthèse est proposée en fin de formation.
• Une évaluation à chaud sera proposée au stagiaire à la fin du cours.
• Un support de cours sera remis à chaque participant comprenant les slides sur la théorie, les exercices.
• Une feuille d'émargement par demi-journée de présence est fournie en fin de formation ainsi qu'une attestation de fin de formation si le stagiaire a bien assisté à la totalité de la session.
• Un suivi et un échange avec les participants seront mis en place quelques jours après la formation.
• Cette formation ne nécessite pas d'avoir recours à une évaluation formalisée des acquis.

• Pré-traiter et augmenter les données
• Maîtriser les concepts de la classification d'images
• Comprendre et mettre en oeuvre de la détection d'objets, de la segmentation sémantique et d'instance
• Mettre en oeuvre du transfer learning en réutilisant des modèles existants
• Découvrir les nouvelles architectures basées sur les transformeurs

• Data Analyst / Data Scientist / Data Engineer
• Développeurs, Architectes Big Data, Lead Developer

• Connaissance de Python
• Connaissance du Deep Learning ou avoir suivi la formation "maîtriser le deep learning" (maîtrise des concepts du machine learning et avoir mis en œuvre différentes architectures de réseaux de neurones : convolutionnels, récurrents, …)
• Connaissance d'un framework Deep Learning TensorFlow ou PyTorch.

Le formateur est un expert du domaine qui intervient sur le sujet depuis plusieurs années en formation mais aussi en conseil.

Doté d'une grande qualité d'écoute, sa pédagogie et sa compétence technique vous permettront d'acquérir les compétences visées.

Il saura alterner entre théorie, pratique, et retours d'expérience.

Introduction à la vision par ordinateur

• Architecture du cortex visuel
• La compétition ISLVRC

Préparation des données

• Pré-traitement
• Augmentation des données

Classification des images

• Extraction de features
• Classification
• Localization & Bounding Box

• Lab : Créer un classifieur d'images en augmentant le jeu de données

Transfert Learning

• Keras Hub
• HuggingFace

Détection d'objets

• Region Proposal Networks RPN
• Single Shot Detector

• Lab : Utiliser un modèle pré-entrainé

Segmentation sémantique et d'instance

• Fully Convolutional
• DownSampling et UpSampling
• Quelques modèles

• Lab : Mettre en place un modèle de segmentation

Suivi d'objets et reconnaissance d'actions

• Reconnaissance d'actions & Pose Estimation

• Lab : Appliquer un algorithme de Pose Estimation

Transformers

• Du NLP à la vision par ordinateur
• Les mécanismes d'attention
• Attention is All You Need

• Lab : Mise en place d'un transformer

2400 € HT

Le distanciel est une modalité que nous pratiquons couramment.

Retengr vous permet aussi de suivre cette formation à distance, sous forme de classe virtuelle (6 participants maximum), avec un formateur expert sur le sujet. La formation se déroule via une connexion en visio conférence (ZOOM, GoogleMeet, Teams ou autres) et vous permet d'alterner théorie et pratique de façon accompagnée ou autonome, le tout dans le respect des objectifs pédagogiques et des évaluations des acquis.

Les émargements, évaluations, attestation de formation, remises des supports de cours et autres documents se feront en ligne.

En ce qui concerne le matériel informatique du participant, il est seulement préconisé un ordinateur et une connexion internet. Nous nous chargeons du reste.

Chaque participant se verra attribuer une Machine Virtuelle qui sera exécutée dans le Cloud d'Amazon. Il disposera alors de la puissance et des outils nécessaires pour le bon déroulement de la formation. Aucune installation de la part du participant n'est requise avant la formation.

Une journée type de formation à distance se décompose de la façon suivante :

Matin :

• 2h de théorie en visioconférence
• 10 à 15 minutes de présentation d'exercices en visio
• 1h de TP en autonomie avec possibilité de solliciter le formateur (partage d'écran à distance pour une assistance efficace).

Après-midi :

• 2h de théorie en visioconférence
• 10 à 15 minutes de présentation d'exercices en visio
• 1h de TP en autonomie avec possibilité de solliciter le formateur (partage d'écran à distance pour une assistance efficace).