Vision par ordinateur Yolo-Nas

Vision par ordinateur Yolo-Nas GINML3

 Enseignant:

Email:

Durée totale du cours: 45 H

Semestre: 5

Option concernée: ingénierie des connaissances

Nombre de crédits: 2

Sommaire:

Objectifs :

• Comprendre les concepts fondamentaux de YOLO-NAS.
• Concevoir et optimiser des modèles de détection d'objets en utilisant YOLO-NAS.
• Mettre en œuvre des applications pratiques en génie logiciel basées sur la détection d'objets en temps réel.
• Évaluer et améliorer les performances des modèles YOLO-NAS

Sujets couverts :

• Présentation de la vision par ordinateur et de ses applications.
• Compréhension des éléments de base : images, pixels, formats d'image.
• Principaux défis en vision par ordinateur : détection d'objets, reconnaissance d'objets, suivi d'objets.

• Introduction aux réseaux de neurones artificiels.
• Architecture de base d'un réseau de neurones.
• Entraînement et apprentissage supervisé.

• Introduction à la vision par ordinateur avec le deep learning.
• Réseaux de neurones convolutifs (CNN) pour la classification d'images.
• Entraînement de CNN pour des tâches de classification.

• Présentation de YOLO-NAS et son importance en détection d'objets.
• Comprendre l'architecture YOLO-NAS.
• Méthodologie pour la recherche de l'architecture optimale.

• Approfondissement de la détection d'objets.
• Utilisation de YOLO-NAS pour détecter des objets dans des images en temps réel.
• Métriques d'évaluation pour la détection d'objets.

• Études de cas : reconnaissance faciale, détection de plaques d'immatriculation, surveillance vidéo.
• Projets pratiques : développer des systèmes de détection d'objets pour des applications réelles.

• Traitement du langage naturel (NLP) pour la vision par ordinateur.
• Génération d'images avec les GAN (Generative Adversarial Networks).
• Autres techniques avancées en vision par ordinateur.

• Les étudiants travaillent sur leurs projets finaux en équipes.
• Présentations finales des projets devant un panel d'experts.
• Évaluation des compétences en vision par ordinateur et en génie logiciel.

Méthodes d’enseignement et d’apprentissage

• Enseignement frontal (magistral) avec des exemples à résoudre en commun.
• Exercices théoriques et études de cas (présentation et discussion).
• Apprentissage mixte et classe inversée
• MOOC & Google Classroom

Connaissances et compétences pré-requises

1. Mathématiques :

• Algèbre linéaire : Comprendre les matrices et les vecteurs.
• Calcul différentiel et intégral : Maîtriser les dérivées, les intégrales, et les notions de limite.
• Statistiques et probabilités : Avoir une compréhension des concepts statistiques et probabilistes utilisés en IA.

2. Programmation :

• Maîtrise d'un langage de programmation, de préférence Python, utilisé couramment en IA.
• Compréhension des structures de données et des algorithmes.

Références bibliographiques

• Un support de cours de l’enseignant sera disponible.

1. "Computer Vision: Algorithms and Applications" par Richard Szeliski
2. "Deep Learning" par Ian Goodfellow, Yoshua Bengio, and Aaron Courville
3. "YOLOv4: Optimal Speed and Accuracy of Object Detection" (Article de recherche)
4. "Neural Architecture Search with Reinforcement Learning" (Article de recherche sur NAS)
5. "Python Computer Vision" par Jan Erik Solem

1. Redmon, J., & Farhadi, A. (2018). YOLOv3: An Incremental Improvement. arXiv preprint arXiv:1804.02767.
2. Tan, M., & Le, Q. V. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. arXiv preprint arXiv:1905.11946.
3. Zoph, B., & Le, Q. V. (2017). Neural architecture search with reinforcement learning. arXiv preprint arXiv:1611.01578.

1. Cours en ligne sur la vision par ordinateur sur des plateformes comme Coursera, edX ou Udacity.
2. Documentation officielle de YOLO (You Only Look Once) et YOLO-NAS.

• OpenCV (Open Source Computer Vision Library) : OpenCV est une bibliothèque très populaire pour la vision par ordinateur en Python. Vous pouvez trouver de nombreux tutoriels en ligne pour l'utiliser. Voici un exemple simple pour commencer :
  • Tutoriel OpenCV - Traitement d'image de base
• TensorFlow et Keras : TensorFlow est une bibliothèque d'apprentissage automatique très populaire qui peut être utilisée pour la vision par ordinateur. Keras est une interface de haut niveau pour TensorFlow. Voici un tutoriel de base :
  • Guide de la vision par ordinateur TensorFlow
• PyTorch : PyTorch est une autre bibliothèque d'apprentissage automatique largement utilisée. Elle est également excellente pour la vision par ordinateur. Voici un tutoriel pour commencer :
  • Tutoriel de vision par ordinateur avec PyTorch
• Scikit-Image : Scikit-Image est une bibliothèque dédiée au traitement d'images en Python. Elle est idéale pour les tâches de prétraitement d'images avant l'apprentissage automatique. Voici un exemple de tutoriel :
  • Tutoriel Scikit-Image
• Traitement d'image avec NumPy : NumPy est une bibliothèque fondamentale pour le calcul scientifique en Python. Vous pouvez également l'utiliser pour effectuer diverses opérations de base de traitement d'image. Voici un tutoriel simple :
  • Traitement d'image avec NumPy
• Fastai : Fastai est une bibliothèque qui simplifie l'apprentissage automatique, y compris la vision par ordinateur. Voici un tutoriel pour vous lancer :
  • Tutoriel Fastai pour la vision par ordinateur

Modalité d’évaluation

• 40% Contrôle continu (TP noté, Test, Assiduité, Devoir surveillé, travaux non présentiel, …)
• 60% Examen semestriel

Résultats d'apprentissage :

• Connaissance des Fondamentaux de la Vision par Ordinateur : Compréhension des concepts fondamentaux de la vision par ordinateur, y compris la segmentation d'image, la détection d'objets, la reconnaissance de formes, etc.
• Utilisation de YOLO-NAS : Maîtrise de l'utilisation de l'architecture YOLO-NAS (You Only Look Once - Neural Architecture Search) pour la détection d'objets en temps réel.
• Programmation et Développement : Compétence en programmation dans des langages de programmation courants tels que Python pour la mise en œuvre d'algorithmes de vision par ordinateur.
• Traitement d'Images : Capacité à prétraiter et à manipuler des images numériques, y compris la normalisation, la réduction de bruit et la transformation d'image.
• Réseaux de Neurones Convolutifs (CNN) : Compréhension et utilisation de réseaux de neurones convolutifs pour des tâches de vision par ordinateur.
• Évaluation des Performances : Compétence pour évaluer les performances des modèles de vision par ordinateur en utilisant des métriques appropriées telles que la précision, le rappel, la F-mesure, etc.
• Optimisation de Modèles : Capacité à optimiser les modèles de vision par ordinateur pour améliorer les performances et réduire la consommation de ressources.
• Intégration Matérielle : Connaissance de base de l'intégration matérielle pour le déploiement de systèmes de vision par ordinateur embarqués.

• Résolution de Problèmes : Capacité à analyser des problèmes complexes liés à la vision par ordinateur et à proposer des solutions efficaces.
• Pensée Critique : Développement de compétences critiques pour évaluer les performances des modèles et des algorithmes, ainsi que pour proposer des améliorations.
• Travail d'Équipe : Capacité à collaborer efficacement au sein d'équipes multidisciplinaires, notamment avec des experts en télécommunications.
• Communication : Compétence en communication écrite et orale pour présenter des résultats, des rapports et des projets liés à la vision par ordinateur.
• Gestion de Projet : Compréhension des principes de base de la gestion de projet pour la planification et l'exécution de projets liés à la vision par ordinateur.
• Éthique et Responsabilité : Conscience des enjeux éthiques liés à l'utilisation de la vision par ordinateur, notamment en matière de protection de la vie privée et de biais algorithmique.
• Adaptabilité : Capacité à s'adapter rapidement aux évolutions technologiques et aux nouvelles avancées en vision par ordinateur.

8. Apprentissage Continu : Engagement envers l'apprentissage continu pour rester à jour avec les dernières avancées dans le domaine de la vision par ordinateur