OpenCV Détection d'objets
Présentation
Au quotidien, la librairie OpenCV est très utilisée pour le développement d’applications d’analyse et de traitement d’images, que ce soit pour un prototypage rapide ou en production. Elle est axée sur les applications en temps réel, ce qui en fait la librairie idéale pour l’analyse de vidéos.
L’objectif cette vidéo est donc de vous présenter plusieurs méthodes de détection d’objets et les outils de OpenCV permettant d’appliquer ces méthodes.
Pour cela, après une présentation des applications et de la méthodologie générale de la détection d’objets, nous décrirons le fonctionnement de plusieurs types d’algorithmes de détection présents dans OpenCV, comme le seuillage, le template matching, la transformée de Hough, l’apprentissage automatique ou encore l’apprentissage profond.
Au-delà des apports théoriques, nous verrons également comment mettre en pratique ces différents traitements en utilisant l’interface Python de la librairie et l’application Jupyter notebook, qui permet de créer, modifier, partager et exécuter du code très facilement, dans une grande variété de langages.
L’objectif cette vidéo est donc de vous présenter plusieurs méthodes de détection d’objets et les outils de OpenCV permettant d’appliquer ces méthodes.
Pour cela, après une présentation des applications et de la méthodologie générale de la détection d’objets, nous décrirons le fonctionnement de plusieurs types d’algorithmes de détection présents dans OpenCV, comme le seuillage, le template matching, la transformée de Hough, l’apprentissage automatique ou encore l’apprentissage profond.
Au-delà des apports théoriques, nous verrons également comment mettre en pratique ces différents traitements en utilisant l’interface Python de la librairie et l’application Jupyter notebook, qui permet de créer, modifier, partager et exécuter du code très facilement, dans une grande variété de langages.
Table des matières
- Durée totale02h39
- Introduction
- Quelques concepts
- Apprentissage automatique et détecteur de Viola-Jones
- Apprentissage profond
- Réseaux de neurones06:10
- Réseaux de neurones à convolution05:16
- Applications des réseaux de neurones à convolution06:09
- L'apprentissage profond dans OpenCV06:58
- Un premier réseau de neurones à convolution pour la détection : YOLO06:54
- Mise en pratique YOLO - Réalisation de l'inférence09:31
- Mise en pratique YOLO - Exploitation des sorties du réseau 10:06
- Un second réseau de neurones à convolution pour la détection : Faster R-CNN03:32
- Mise en pratique - Faster R-CNN09:30
- Mise en pratique - Comparaison entre YOLO et Faster R-CNN03:38
- Conclusion 02:00
Auteur
Daphné WALLACHEn savoir plus
Diplômée d’un doctorat en intelligence artificielle pour le traitement d’images médicales, Daphné Wallach exerce depuis plus de 10 ans dans ce domaine. Actuellement chargée de l’innovation technique pour la start-up DataVLab, qui propose un service d’aide à l’annotation d’images guidée par l’intelligence artificielle, elle met également son expertise au bénéfice de formations sur le traitement d’images qu’elle dispense à l’université de Rennes et en entreprise.
Caractéristiques
- Niveau Confirmé
- Durée 2h39
- Parution novembre 2021
- Vidéo en ligne
- Ref. ENI : VTOPENCVDE
Téléchargements
- Des fichiers complémentaires (1 Ko)