← Retour aux formations

Intelligence Artificielle & Data

IA Python pour le traitement d'image : transformer, analyser et classifier avec Pillow, OpenCV et Scikit

Intermédiaire
Intelligence Artificielle & Data

À propos de cette formation

Développeurs Python souhaitant s'approprier les principaux outils d'apprentissage automatique et de traitement d'image pour leurs projets de Deep Learning.

Objectifs de la formation

  • check_circleConsolider sa maîtrise du langage Python dans un contexte IA
  • check_circleConduire une analyse de données par Machine Learning en Python
  • check_circlePrendre en main les principales bibliothèques Python de traitement d'image
  • check_circleAppliquer des transformations sur des images
  • check_circleExtraire des informations à partir d'images

Programme détaillé

Module 1 — Traitement de base des images

  • La bibliothèque Pillow pour transformer les images
  • Présentation des bibliothèques d'analyse d'image
  • Manipulations simples d'images avec NumPy
  • Présentation de Matplotlib pour l'affichage rapide
  • Travaux pratiques : utilisation de Pip ou Conda, transformations simples et manuelles d'images avec NumPy

Module 2 — Traitement avancé des images

  • Filtrage, analyse et recherche d'informations avec Scikit-image
  • Présentation et transformations avec OpenCV
  • OpenCV : détection de contours et de motifs
  • Travaux pratiques : mise en place des bibliothèques, manipulation et analyse d'images avec Scikit-image et OpenCV

Module 3 — Apprentissage automatisé

  • Mise en place de Scikit-learn
  • Exemples de données utilisables et classification des processus d'apprentissage automatisé
  • Choix et utilisation d'un estimateur
  • Amélioration de l'apprentissage supervisé et transformateurs
  • Décomposition : analyse en composantes principales (ACP) et analyse discriminante linéaire (ADL)
  • Travaux pratiques : entraînements supervisés multiples sur des jeux de données avec Scikit-learn

Module 4 — Cas additionnels d'apprentissage automatisé

  • Apprentissage non supervisé : plusieurs approches
  • Divers algorithmes de classification
  • Travaux pratiques : utilisation d'algorithmes d'apprentissage additionnels de Scikit-learn

Module 5 — Apprentissage automatisé appliqué aux images

  • Classification d'images avec Scikit-learn ; panorama des algorithmes disponibles
  • Présentation et installation de Scikit-image
  • Adaptation de l'apprentissage automatisé aux images numériques
  • Entrées et sorties de Scikit-image
  • Analyse d'images avec Scikit-image : segmentation, détection et mesures
  • Transformations d'images avec Scikit-learn : convolutions et autres filtres
  • Comparaison et assemblage d'images avec Scikit-image
  • Amélioration d'images avec Scikit-image
  • Travaux pratiques : classification d'images, détection de visages, reconstitutions et améliorations avec Scikit-learn et Scikit-image

Prérequis

Pratique du langage Python et connaissances de NumPy et SciPy.