Deep Learning et Vision par ordinateur

Formation créée le 20/02/2025.
Version du programme : 1

Type de formation

Formation mixte

Durée de formation

21 heures (3 jours)

Accessibilité

Oui
Besoin d’adapter cette formation à vos besoins ? N’hésitez pas à nous contacter afin d’obtenir un devis sur mesure ! Nous contacter

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 (formation possible en présentiel ou distanciel)

Objectifs de la formation

  • 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

Profil des bénéficiaires

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

Contenu de la formation

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

Équipe pédagogique

Alexia, véritable passionnée de la data est une experte en intelligence artificielle et en science des données. Avec plus de 15 ans d'expérience, elle maîtrise un spectre de compétences étendu : Big Data, Data Science, Data Visualisation, Machine Learning, Deep Learning, Intelligence Artificielle, etc. Son parcours, marqué par des contributions significatives dans le domaine de l'apprentissage machine, l'a propulsée au rang des experts mondiaux. En témoignent son titre de Google Developer Expert en machine learning depuis 2019 et sa présence dans le classement des personnalités les plus influentes de l'IA en France. Auteure reconnue et formatrice inspirante, elle démocratise l'IA et partage sa vision d'un futur où l'homme et la machine collaborent harmonieusement. Son premier livre est une collaboration sur l'intelligence artificielle et les neurosciences ("Apprendre demain" - édition Dunod). Son second ouvrage, plus technique, aborde le Deep Learning ("Machine Learning using TensorFlow cookbook" - édition Packt). Pour Alexia, l'IA est bien plus qu'une simple technologie : c'est un levier pour repenser notre société et notre rapport au travail.

Suivi de l'exécution et évaluation des résultats

  • Feuilles de présence.
  • 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.
  • Certificat de réalisation de l’action de formation.

Ressources techniques et pédagogiques

  • Accueil des apprenants dans une salle dédiée à la formation (si présentiel).
  • Présentation du support via vidéoprojecteur (ou partage visio).
  • 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.
  • Un support de cours sera remis à chaque participant comprenant les slides sur la théorie, les exercices.
  • Un suivi et un échange avec les participants seront mis en place quelques jours après la formation.

Capacité d'accueil

Entre 2 et 8 apprenants

Délai d'accès

4 semaines

Accessibilité

Pour plus d'informations sur les modalités d'accessibilité pour cette formation, vous pouvez contacter directement adeschamps@confor.tech .