Cours · Ouverture des cours et des parcours disponibles
Traiter des images et des vidéos. Convolutions, Pooling et architectures modernes (ResNet, YOLO) pour la classification et la détection.
Données pédagogiques publiées
Aucun objectif pédagogique n’est publié pour ce cours. Les titres de leçons ne sont pas transformés automatiquement en promesses d’apprentissage.
Structure publiée
1 module(s) · 25 leçon(s)
25 leçon(s) · 2h 30min
Introduction : Pourquoi la Vision par Ordinateur ?
Découvrez l'impact concret de la vision par ordinateur dans la vie quotidienne (reconnaissance faciale, voitures autonomes, médical) et comprenez le défi fondamental : transformer des pixels en intelligence.
L'Image Numérique : Une Matrice de Pixels
Comprenez qu'une image n'est qu'un tableau de nombres. Apprenez à représenter les niveaux de gris et la couleur (RGB) comme des matrices simples. Visualisez cette représentation.
Pratique Guidée 1 : Manipuler une Image comme une Matrice
Avec un outil en ligne simple, vous chargerez, afficherez et modifierez manuellement les pixels d'une image pour comprendre sa structure numérique. Exercice : assombrir une zone, créer un drapeau français en pixels.
Quiz Fondations 1 : Valider les concepts de base de l'image numérique
Quiz interactif pour vérifier votre compréhension des concepts fondamentaux de la vision par ordinateur : pixels, matrices et canaux de couleur. Auto-évaluation essentielle avant de passer aux filtres.
Les Filtres Simples : Premiers Pas pour 'Comprendre' une Image
Découvrez comment appliquer des opérations simples (flou, détection de contours) sur une matrice d'image. C'est la base de toute analyse visuelle. On utilise l'intuition avant les maths.
Pratique Guidée 2 : Appliquer un Filtre de Contour avec Sobel
Suivez une recette pas à pas pour appliquer un filtre de Sobel sur une image en niveaux de gris, afin de faire ressortir ses contours. Vous verrez le résultat immédiatement et comprendrez les bases du traitement d'image.
Quiz Fondations 2 : Comprendre les Filtres et leurs Effets sur les Images Matricielles
Ce quiz évalue votre compréhension des filtres en vision par ordinateur, leur objectif et leurs effets sur une image représentée comme une matrice de pixels. Il valide les concepts fondamentaux avant d'aborder les réseaux de neurones.
Introduction aux Réseaux de Neurones Artificiels (simplifiée) : Comprendre l'Analogie Biologique et l'Apprentissage par l'Exemple
Découvrez comment les réseaux de neurones artificiels s'inspirent du cerveau humain pour apprendre des motifs. Comprenez l'analogie biologique des neurones et le principe fondamental de l'apprentissage par l'exemple à travers des explications intuitives et des exemples concrets.
Le Problème des Images pour les Réseaux Classiques : Pourquoi un Réseau Simple Échoue
Découvrez pourquoi un réseau de neurones simple ne peut pas traiter efficacement une image. Comprenez les deux problèmes majeurs : la dimensionalité (trop de paramètres) et le manque d'invariance (un objet reste le même malgré ses variations).
La Révolution Convolutionnelle : L'Idée Géniale
Découvrez le concept clé de la convolution : un petit filtre (noyau) qui parcourt toute l'image pour en extraire des caractéristiques locales comme les bords et textures. C'est efficace et invariant à la translation.
Pratique Guidée 3 : Visualiser une Convolution - Calcul Manuel Pas à Pas
Vous allez suivre pas à pas le parcours d'un noyau de convolution sur une petite matrice. Vous calculerez manuellement les résultats pour ancrer profondément le concept de convolution dans votre compréhension.
Quiz CNN Fondamentaux 1 : Problèmes des Réseaux Classiques et Principe de Base de la Convolution
Ce quiz valide votre compréhension des limites des réseaux de neurones classiques face aux images et des principes fondamentaux de la convolution, première brique des CNN. Vous consoliderez ces concepts clés pour la vision par ordinateur.
Le Pooling : Réduire sans Perdre l'Essentiel
Apprenez pourquoi et comment on réduit la taille des cartes de caractéristiques après une convolution. Comprenez les opérations Max Pooling et Average Pooling de manière intuitive.
Architecturer un CNN : Emboîter les Couches - Assembler les Briques Fondamentales
Apprenez à assembler les couches convolution, activation ReLU et pooling pour former un bloc extracteur de caractéristiques. Comprenez comment cette séquence permet d'extraire des motifs de plus en plus abstraits dans les images.
Pratique Guidée 4 : Construire un Bloc CNN sur Papier
Vous allez dérouler manuellement les calculs d'un bloc CNN complet (convolution, ReLU, pooling) sur une petite image. Cette pratique vous permet de visualiser étape par étape comment les données se transforment dans un réseau de neurones convolutionnel.
Quiz CNN Fondamentaux 2 : Pooling et Architecture en Blocs
Quiz de validation sur les concepts clés du pooling et de l'architecture en blocs dans les réseaux de neurones convolutifs. Testez votre compréhension avec des questions théoriques et pratiques.
La Tête de Classification : Du Visuel à la Décision
Découvrez comment transformer les caractéristiques visuelles extraites par un CNN en décision. Apprenez le rôle des couches fully connected et de la fonction softmax pour obtenir des probabilités (ex: 80% chat, 20% chien).
Entraîner un CNN : La Notion de Rétropropagation (intuition)
Découvrez comment un réseau de neurones convolutif apprend de ses erreurs grâce à la rétropropagation du gradient. Comprenez l'intuition derrière ce mécanisme essentiel sans entrer dans les mathématiques complexes.
Pratique Autonome 1 : Schématiser un CNN Complet pour les Chiffres Manuscrits
Exercice autonome où vous concevrez et justifierez une architecture CNN complète pour reconnaître des chiffres manuscrits. Vous apprendrez à choisir le nombre de blocs, les tailles de filtres, et à structurer votre modèle étape par étape.
Le Transfer Learning : Utiliser un CNN Pré-entraîné
Apprenez à réutiliser l'intelligence d'un CNN entraîné sur des millions d'images et à l'adapter à votre problème spécifique avec peu de données. C'est la méthode pragmatique pour la vision par ordinateur.
Pratique Guidée 5 : Adapter un Modèle avec Transfer Learning (outil no-code)
Vous allez utiliser une plateforme no-code comme Teachable Machine pour entraîner un classificateur d'images en quelques minutes grâce au transfer learning. Vous expérimenterez concrètement comment adapter un modèle pré-entraîné à votre propre problème.
Quiz Avancés 1 : Validation des Concepts d'Entraînement, Transfer Learning et Architectures Complètes
Quiz de validation approfondie sur les mécanismes d'entraînement des CNN, les stratégies de transfer learning et la composition des architectures complètes. Testez votre compréhension avec des questions conceptuelles et pratiques.
Au-delà de la Classification : Localisation et Détection
Comment trouver *où* est l'objet dans l'image ? Découvrez les concepts de **localisation** (une boîte) et de **détection** (plusieurs boîtes). Introduction aux approches comme **R-CNN** et **YOLO** (You Only Look Once).
Enjeux Éthiques et RGPD pour la Vision par Ordinateur
Un module essentiel sur les biais dans les données d'entraînement, la protection de la vie privée (floutage des visages) et les principes du RGPD applicables aux projets de vision par ordinateur. Comprendre ces aspects est crucial pour développer des systèmes responsables.
Projet Intégrateur Final : Conception d'un Système de Vision pour le Tri de Fruits par Maturité
Synthèse de toutes les compétences acquises dans le cours. Vous allez concevoir un système complet de vision par ordinateur pour trier des fruits selon leur maturité, en proposant une architecture, en choisissant une stratégie d'entraînement et en discutant des implications éthiques.
Les ressources du cours sont disponibles après validation de l’accès au contenu.