Formation IA - traitement images : Keras, Pytorch, OpenCV

raitement 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 sur une plateforme multi-GPU (RIG)

Présentation des RN

• 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
• 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, etc.).
• 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.