Concevoir, entraîner et déployer des modèles de vision par ordinateur
Cette formation intensive permet de comprendre et de mettre en œuvre les réseaux de neurones convolutifs (CNN), largement utilisés dans le traitement d’images et la vision par ordinateur.
Est-ce pour vous ?
Développeurs IA / Data Scientists, Ingénieurs en vision par ordinateur
Préalables
• Connaissances de base en Python
• Notions en machine learning (régression, classification)
• Compréhension des matrices et de l’algèbre linéaire
Ce que vous saurez faire
- ✓ Construire et entraîner des modèles CNN pour la classification d’images avec Keras
- ✓ Préparer et enrichir des jeux de données (normalisation, augmentation, annotation)
- ✓ Optimiser les performances des modèles via architectures avancées et réglage des hyperparamètres
- ✓ Évaluer et comparer différents modèles à l’aide de métriques et techniques de validation
- ✓ Déployer des solutions de vision par ordinateur avec transfert learning sur des cas réels
Contenu de la formation
1 Fondamentaux des CNN
Chapitre 1 : Introduction aux réseaux de neurones convolutifs
- Historique et applications
- Comparaison avec les réseaux classiques (MLP)
- Architecture de base : convolution, pooling, activation
Chapitre 2 : Préparation des données
- Formats d’images et normalisation
- Augmentation de données
- Annotation et jeux de données standards (MNIST, CIFAR, ImageNet)
Atelier 1 : Construction d’un premier CNN avec Keras
- Classification d’images MNIST
- Visualisation des couches et des filtres
2 Conception et optimisation des modèles CNN
Chapitre 3 : Architectures avancées
- VGG, ResNet, Inception
- Réseaux profonds et problèmes de surapprentissage
- Dropout, batch normalization
Chapitre 4 : Entraînement et évaluation
- Fonction de coût et métriques
- Validation croisée
- Early stopping et tuning des hyperparamètres
Atelier 2 : Implémentation d’un modèle CNN sur CIFAR-10
- Comparaison de plusieurs architectures
- Analyse des performances
3 Applications concrètes et transfert learning
Chapitre 5 : Détection et reconnaissance
- Détection d’objets (YOLO, SSD)
- Reconnaissance faciale
- Segmentation d’image
Chapitre 6 : Transfert learning et fine-tuning
- Utilisation de modèles pré-entraînés
- Adaptation à des jeux de données spécifiques
- Avantages et limites
Atelier 3 : Projet final – Détection d’objets dans des images réelles
- Utilisation de MobileNet ou ResNet pré-entraîné
- Déploiement d’un modèle simple
📌 Informations pratiques
Nos formations sont offertes à Montréal ou Québec, en présentiel ou en classe virtuelle. Les dates et lieux sont précisés lors de votre choix de session ci-dessous. Si vous avez des questions, consultez notre FAQ.
