Computer Vision – Fondamentaux et applications industrielles

Formation créée le 14/04/2026.
Version du programme : 1

Type de formation

Présentiel

Durée de formation

21 heures (3 jours)
Cette formation est gratuite.
S'inscrire
Cette formation est gratuite.
S'inscrire
Cette formation est gratuite.
S'inscrire

Computer Vision – Fondamentaux et applications industrielles


Maîtriser les fondamentaux de la vision par ordinateur et mettre en œuvre des modèles performants pour des cas d’usage industriels, de la préparation des données au déploiement.

Objectifs de la formation

  • Comprendre les principes fondamentaux de la vision par ordinateur
  • Manipuler des images numériques et extraire des caractéristiques pertinentes
  • Implémenter des modèles de Deep Learning (CNN, YOLO, segmentation)
  • Exploiter le transfer learning pour des cas métier
  • Préparer et annoter des datasets d’images
  • Déployer un modèle de vision sur un environnement industriel (edge)

Profil des bénéficiaires

Pour qui
  • Data scientists
  • ingénieurs machine learning
  • chefs de projet IA
Prérequis
  • Bonnes bases en Python
  • Connaissances en machine learning (supervisé)
  • Notions de Deep Learning recommandées
  • Connaissance de base des librairies type NumPy, Pandas

Contenu de la formation

JOUR 1- Module 1 – Introduction et traitement d’images (3h30)
  • Représentation des images numériques (pixels, canaux, formats)
  • Opérations de base : redimensionnement, filtrage, normalisation
  • Introduction aux convolutions et filtres (blur, edge detection)
  • Premiers outils : OpenCV, Pillow
  • Activité pratique : Manipulation d’images Chargement, transformation et visualisation d’images avec OpenCV Application de filtres (flou, contours) sur un dataset simple
JOUR 1- Module 2 – Extraction de caractéristiques et introduction aux CNN (3h30)
  • Feature extraction : SIFT, HOG (concepts)
  • Limites des méthodes classiques
  • Introduction aux réseaux de neurones convolutifs (CNN)
  • Fonctionnement des couches : convolution, pooling, activation
  • Activité pratique : Implémentation d’un CNN simple Construction d’un modèle CNN avec TensorFlow/PyTorch Entraînement sur un dataset type (MNIST ou CIFAR-10)
JOUR 2- Module 3 – Architectures CNN modernes (3h30)
  • Architectures avancées : ResNet, EfficientNet
  • Introduction aux Vision Transformers (ViT)
  • Comparaison performances / complexité
  • Bonnes pratiques d’entraînement
  • Activité pratique : Benchmark de modèles Entraînement et comparaison ResNet vs EfficientNet Analyse des performances (accuracy, loss)
JOUR 2- Module 4 – Tâches de vision : classification, détection et segmentation (3h30)
  • Classification d’images (rappel + optimisation)
  • Détection d’objets : principes (YOLO)
  • Segmentation : semantic vs instance segmentation
  • Cas d’usage industriels (qualité, surveillance, médical)
  • Activité pratique : Détection d’objets Utilisation d’un modèle YOLO pré-entraîné Détection d’objets sur un dataset métier ou générique
JOUR 3- Module 5 – Données, annotation et transfer learning (3h30)
  • Constitution d’un dataset d’images
  • Annotation avec CVAT et Label Studio
  • Data augmentation
  • Transfer learning et fine-tuning
  • Activité pratique : Préparation d’un dataset métier Annotation d’images avec un outil dédié Fine-tuning d’un modèle pré-entraîné sur ces données
JOUR 3- Module 6 – Déploiement et cas industriel complet (3h30)
  • Optimisation de modèles (compression, quantization)
  • Conversion ONNX
  • Déploiement avec TensorRT (notions)
  • Contraintes edge computing (latence, ressources)
  • Activité pratique : Cas fil rouge – détection d’objets industriel Entraînement d’un modèle de détection sur un cas métier Export et simulation de déploiement (ONNX)

Équipe pédagogique

Professionnel expert technique et pédagogique.