Objectifs de la formation
Apprendre à concevoir, entraîner et évaluer des modèles CNN pour des applications concrètes telles que la classification d’images, la détection d’objets et la reconnaissance faciale.Clientèle visée
Développeurs IA / Data Scientists, Ingénieurs en vision par ordinateurPréalables
• Connaissances de base en Python • Notions en machine learning (régression, classification) • Compréhension des matrices et de l’algèbre linéaireFormateurs
Gains pour les participants
• Comprendre les principes fondamentaux des CNN et leur architecture.
• Maîtriser les techniques de prétraitement et d’annotation des données visuelles.
• Implémenter des modèles CNN avec des bibliothèques Python (TensorFlow, Keras, PyTorch).
• Optimiser les performances des modèles (régularisation, tuning, transfert learning).
• Appliquer les CNN à des cas concrets de vision par ordinateur.
Architecture de la formation
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
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
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
Détails pédagogiques
Type de cours
Formation en entreprise
Toutes nos formations peuvent être offertes en entreprise et personnalisées selon vos besoins. Pour plus d'information, nous vous invitons à communiquer avec nous ou à remplir une demande de soumission en ligne.
Demander une soumissionFormation en entreprise
Toutes nos formations peuvent être offertes en entreprise et personnalisées selon vos besoins. Pour plus d'information, nous vous invitons à communiquer avec nous ou à remplir une demande de soumission en ligne.
Demander une soumission