Aller au contenu principal
  • Cours pratique
  • FSE
  • Informatique

Formation Computer Vision : Reconnaissance d'image et cas pratiques avec OpenCV et le Deep Learning

Développer un algorithme de reconnaissance et entraîner un réseau de neurones

Demander un devis
Une formatrice accompagne deux participants penchés sur leurs notes, en salle de formation
Durée
2 jours
Niveau
Intermédiaire
Modalités
Présentiel / Distanciel

Description de la formation Computer Vision Avancee

La Computer Vision est un domaine qui consiste à extraire, analyser et comprendre automatiquement des in-formations à partir d’image ou de vidéo.

Cette formation Computer Vision Avancée traite exclusivement de reconnaissance d’image, un sous-domaine de la Computer Vision qui consiste à identifier et à détecter un objet ou un attribut dans une image numérique. Ce cours cible la reconnaissance d’image sous l’angle technique afin de vous préparer à commencer vos projets de Computer Vision le plus rapidement possible et d’obtenir des résultats concrets qui apporteront des améliorations business.

Atelier en salle : une participante présente des notes au tableau

Objectifs pédagogiques

Concrètement à l'issue de cette formation Computer Vision Avancée, vous aurez acquis les connaissances et les compétences nécessaires pour :

  • Comprendre les technologies de l’IA et le vocabulaire global associé (Machine Learning, Deep Learning, Réseaux de neurones, etc.) et savoir laquelle est la plus adaptée à son projet
  • Savoir identifier les briques techniques existantes (algorithme, solution Cloud, etc.) et les apports de la bibliothèque OpenCV
  • Savoir commencer un projet de reconnaissance d’image : installer le projet, obtenir un dataset labellisé adapté, lancer des entrainements, analyser les métriques, analyser les résultats et en déduire les bonnes améliorations à conduire
  • Valider les concepts, les technologies et la dimension projet à travers un cas concret

Objectifs opérationnels

Savoir identifier et à détecter un objet ou un attribut dans une image numérique.

Programme

Contenu du cours

Jour 1

Introduction à la Computer Vision et technologies associées

Les usages les plus fréquents
Introduction aux technologies Machine Learning / Deep Learning
Différents modes de représentation d’une image
Problématiques spécifiques à la reconnaissance d’image
Technologies IA utilisées pour la reconnaissance d’imageLa bilbiothèque OpenCV

Le marché de la Computer Vision

La pluralité des offres sur le marché
Les caractéristiques
Alternative solution sur mesure propriétaire / licence à l'année pour l'utilisation d'une plateforme
Conseils et retours d’expérience

Structurer un projet de Computer Vision

Quel modèle retenir pour mon projet ?
Par où commencer ?
Savoir évaluer la maturité de son projet pour en évaluer le coût
Evaluer le retour sur investissement (ROI)

Les étapes classiques d’un projet

Création du Dataset
Proof of Concept : validation de la faisabilité technique et mise à disposition d’un algorithme entrainé sur un dataset réduit
Pilote : entraînements et améliorations de l’algorithme dans les conditions réelles
Scale / Industrialisation : déploiement à grande échelle de l’algorithme
Le pilotage du projet (tableau de bord)
Pièges classiques à éviter

Jour 2

Les étapes d'un projet OpenCV

La théorie OpenCV
Les étapes d’un projet OpenCV :- Manipulation d’images
- Transformation d’image (Pre-processings)
- Extraction des featuresCas pratique : Développer un algorithme pour détecter des visages

La théorie Deep Learning en reconnaissance d’image

Neural Networks Theory
Convolutional Neural Networks (CNNs)
Transfer Learning from Pretrained Networks
Autres applications : détection d’objets, Segmentation

Les étapes d'un projet de Computer Vision / Deep Learning

Le processus théorique du déroulement d’un projet de Deep Learning :- Mise en place de l’architecture d’un projet de deep learning
- Lancement des entraînements et interprétation des résultats
- Industrialisation d’un algorithmeCas pratique : Entraînement d’un réseau de neurones pour la classification d’émotions sur un visage

Travaux pratiques

En plus des deux cas pratiques constituant l'essentiel du programme de la deuxième journée de formation, ce cours propose en fil rouge un autre cas pratique portant sur un projet réel auquel a participé le formateur.

Contexte : « Vous allez livrer à une grande entreprise de la cosmétique un algorithme entraîné permettant de définir le niveau de rides d’un utilisateur de leur produit de customized skincare ».
Ce projet a pour but de rattraper et de dépasser la concurrence sur ce sujet.

Objectifs :

  • Entraîner un algorithme avec un jeu de données RGPD compliant
  • Définir les règles métiers afin d’optimiser la métrique de l'algorithme
  • Constituer un dataset comprenant tous les types de rides / labellisation de la donnée
  • Entraîner l’algorithme sur un premier set de data
  • Définir un plan d’expérimentation pour améliorer l’algorithme
  • Mise en production de l’algorithme

Programme mis à jour le 27/01/2026

Formations liées