Le Deep Learning avec OpenCV

Introduction à OpenCV

Aujourd’hui, OpenCV est l’un des outils les plus populaires et les plus utilisés dans le domaine de la vision par ordinateur et du traitement d’images. Créée en 2000 par Intel, cette bibliothèque open source a été conçue pour rendre la vision par ordinateur plus accessible à tous, que ce soit dans le milieu industriel, universitaire, ou tout simplement pour les développeurs. Elle permet de manipuler des images et des vidéos avec une grande flexibilité, tout en offrant une vaste panoplie d’algorithmes et de fonctionnalités qui permettent de répondre à des besoins variés. Que ce soit pour la reconnaissance faciale, la détection d’objets, l’analyse de mouvements, ou même la reconstruction d’images en trois dimensions, OpenCV s’impose comme une solution de référence.

Sa force ? Elle est gratuite, libre d’utilisation, et fonctionne sur une large gamme de systèmes d’exploitation tels que Windows, Linux, MacOS, Android, iOS. Ce qui la rend particulièrement attrayante, c’est qu’elle est adaptée aussi bien pour des applications commerciales que pour des projets personnels, et elle est largement adoptée par de nombreux secteurs métiers. Avec des millions d’utilisateurs dans le monde entier, OpenCV est aujourd’hui...

L’architecture d’OpenCV

L’une des grandes forces d’OpenCV, c’est son architecture modulaire. Elle est composée de différents modules, chacun étant spécialisé dans un domaine particulier du traitement d’images et de la vision par ordinateur. Cette approche modulaire permet aux utilisateurs de n’utiliser que les parties d’OpenCV qui sont pertinentes pour leur projet, tout en évitant de surcharger leur application avec des fonctionnalités inutiles. Voici la liste des modules les plus utilisés d’OpenCV :

Installer et tester OpenCV

Pour installer OpenCV, nous allons commencer par la création d’un environnement virtuel avec venv. En effet, dans le chapitre précédent, nous avons vu comment utiliser Anaconda pour la création et la gestion des environnements virtuels Python. Dans ce chapitre, nous allons voir une autre façon de création d’un environnement virtuel Python en utilisant l’outil natif à Python et qui est venv. Suivez les quelques étapes ci-dessous pour créer un environnement virtuel :

python -m venv open_cv_env 

À la fin de l’exécution de cette commande, un nouveau dossier portant le nom open_cv_env sera créé sous le dossier en cours. Ce dossier contient toutes les informations nécessaires pour le bon fonctionnement de votre environnement virtuel open_cv_env.

.\open_cv_env\Scripts\activate 

Cela devrait vous afficher une nouvelle invite de commande dans le nom commence par (open_cv_env). Cela indique que votre environnement virtuel open_cv_env est actif.

pip install opencv-python...

Manipuler les images avec OpenCV

Nous allons commencer notre apprentissage OpenCV avec quelques exemples de code où nous allons réaliser des opérations de bases sur des images avec cette bibliothèque.

import numpy as np  
import cv2  
  
img = cv2.imread("Data\\image_01.jpg")  
cv2.namedWindow("Image")  
cv2.imshow("Image", img)  
cv2.moveWindow("Image", 0, 0)  
cv2.waitKey(0)  
cv2.destroyAllWindows() 

1. img = cv2.imread("Data\\image_01.jpg") 

2. cv2.namedWindow("Image") 

3. cv2.imshow("Image", img) 

La détection et la reconnaissance d’objets

Dans cette section, nous allons réaliser quelques exemples où seront utilisés des modèles de reconnaissance d’objets dans les images, mais aussi, des modèles de détection et de suivi d’objets dans les vidéos.

import cv2  
 
img = cv2.imread("Data\\image_03.jpg",1)  
 
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  
 
path = "haarcascade_frontalface_default.xml"  
 
face_cascade = cv2.CascadeClassifier(path)  
 
faces = face_cascade.detectMultiScale(gray, scaleFactor=1.10, 
minNeighbors=5, minSize=(40,40))  
  
 
for (x, y, w, h) in faces:  
    cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)  
 
cv2.imshow("Image",img)  
cv2.waitKey(0)  
cv2.destroyAllWindows() 

Conclusion

Ce chapitre nous a permet d’aborder OpenCV. Vous avez sans doute remarqué la simplicité avec laquelle OpenCV peut être utilisée pour réaliser des traitements avancés sur les images et les vidéos. En effet, via des exemples de très petite taille et relativement faciles à aborder, nous avons vu comment appliquer quelques opérations de bases sur les images, puis nous avons développé des exemples pour appliquer des modèles de reconnaissance et de suivi d’objets dans les images, tout ça avec seulement quelques lignes du code Pyton ! Un des points les plus importants à retenir de ce chapitre est que OpenCV est une bibliothèque de choix lorsque nous souhaitons capturer et travailler sur un flux vidéo afin d’appliquer des modèles déjà prêts. Ces modèles peuvent être développés en utilisant TensorFlow que nous avons eu l’occasion d’aborder ou avec d’autres frameworks tels que PyTorch que nous allons aborder au chapitre suivant. Pour un projet donné donc, nous pouvons utiliser TensorFlow ou PyTorch pour entraîner un modèle puis utiliser OpenCV afin de capturer les images en temps réel et appliquer nos modèles sur ces images. Pour finir et comme exemple d’exercice que vous pouvez réaliser afin d’améliorer votre...