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.

Téléchargements

• Des fichiers complémentaires (1 Ko)

• Durée totale02h39
• Introduction
  • Définition de la détection d'objets et applications02:59
  • Méthodologie de la détection d'objets03:08
  • Métriques d'évaluation de la performance de la détection12:34
• Quelques concepts
  • Seuillage09:22
  • Mise en pratique - Seuillage09:00
  • Mise en pratique - Calcul du rectangle englobant 07:27
  • Transformée de Hough06:02
  • Mise en pratique - Transformée de Hough06:33
  • Template matching04:01
  • Mise en pratique - Template matching03:51
• Apprentissage automatique et détecteur de Viola-Jones
  • Introduction à l'apprentissage automatique04:32
  • Présentation du détecteur de Viola-Jones02:06
  • Caractéristiques pseudo-Haar04:32
  • AdaBoost et cascade de classifieurs06:34
  • Mise en pratique - Détecteur de Viola-Jones07:25
• 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