Formation - IA - traitement images : Keras, Pytorch, OpenCV

1 - Présentation

• Découverte du traitement d'images et de l'apprentissage automatique
• Vue d'ensemble de Keras, PyTorch et OpenCV

2 - Projet TensorFlow

• Historique et fonctionnalités de TensorFlow
• Architecture distribuée, plateformes supportées

3 - Prise en main de TensorFlow

• Installation de TensorFlow
• Comprendre les tenseurs : types de données et dimensions
• Architecture distribuée, plateformes supportées
• Gestion des variables et de leur persistance dans TensorFlow
• Modélisation des calculs et des dépendances avec des graphes

4 - Optimisation des calculs dans TensorFlow

• 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)

5 - Présentation des RN

• Principe des réseaux de neurones
• Types de couches : denses, convolutives et d'activation
• Fonctionnement des réseaux de neurones convolutifs (CNN)
• Comprendre la descente de gradient
• Multi-Layer Perceptron

6 - Présentation de Keras

• Création d'un réseau de neurones avec Keras
• Création et entraînement d'un modèle CNN basique avec Keras
• Classification d'images à l'aide de Keras
• Classification d'images et ses cas d'usage
• Architectures des réseaux convolutifs et réseaux ImageNet
• RCNN et SSD
• Démonstration des opérations de convolution

7 - Classification d'images avec Keras

• Notion de classification, cas d'usage
• Architectures des réseaux convolutifs, réseaux Image
• Net RCNN et SSD
• Démonstrations sur les convolutions

8 - Optimisation des performances d'un modèle

• Visualisation avec Tensorboard
• Optimisation des couches de convolutions
• Choix des hyper-paramètres avec Keras et Keras Tuner
• Utilisation de checkpoints

9 - Détection d'objets avec OpenCV et IA

• Principes de la détection d'objets
• Types de modèles de détection d'objets (classificateurs en cascade, YOLO, SSD, Faster R-CNN, etc.)
• OpenCV pour la détection d'objets
• Bibliothèque OpenCV pour la vision par ordinateur
• Configurer l'environnement OpenCV
• Charger et afficher les images avec OpenCV
• Utilisation des classificateurs en cascade d'OpenCV pour détecter des objets
• Découverte des modèles IA pré-entraînés pour la détection d'objets
• Comparer les modèles de détection d'objets : YOLO, SSD, Faster R-CNN
• Sélectionner le modèle de détection d'objets adapté aux besoins de l'application

10 - Segmentation d'Images avec PyTorch

• Principes de la segmentation d'images
• Créer un modèle de segmentation convolutif avec PyTorch
• Préparer les données d'entraînement pour la segmentation
• Entraînement et évaluation des performances du modèle

11 - Génération d'Images avec les GAN

• Découvrir les réseaux génératifs adverses (GAN)
• Créer un modèle GAN simple avec PyTorch