Formation OpenCV

PROGRAMME DE NOTRE FORMATION OPENCV

Introduction à OpenCV et au traitement d’images

• Historique, cas d’utilisation et concepts fondamentaux
• Installation et configuration d’OpenCV
• Présentation des dépendances nécessaires (Python, NumPy, Matplotlib)
• Notions fondamentales : pixels, matrice d’images, espaces de couleurs (RGB, HSV, LAB)

Mise en pratique

• Installation guidée et configuration des environnements
• Chargement, aRichage et manipulation simple d’images avec OpenCV (cv2.imread, cv2.imshow)
• Manipulations basiques : redimensionnement, rotation, conversion en niveaux de gris

Manipulation d’images avancée

• Histogrammes : analyse et égalisation
• Techniques de filtrage : flou gaussien, flou bilatéral, réduction de bruit
• Transformations géométriques : translation, rotation et homographie.s

Mise en pratique

• Création et affichage d’histogrammes avec OpenCV
• Application de différents filtres pour améliorer la qualité d’une image
• Implémentation de transformations géométriques sur des images
• Projet utilisant la webcam + traitement d’image en temps réel

Traitement avancé d’images et détection de caractéristiques

• Détection de caractéristiques avec SIFT, SURF et ORB
  • Explication des méthodes SIFT, SURF et ORB.
  • Comparaison des performances et des cas d’utilisation
• Reconnaissance de formes et détection d’objets
  • Détection des contours avec Canny et Sobel
  • Détection et suivi des formes simples (lignes, cercles, contours)
  • Introduction aux Haar Cascades pour la détection faciale

Mise en pratique

• Implémentation de SIFT et SURF pour détecter des points clés sur des images
• Utilisation de ORB comme alternative rapide et sans brevet
• Comparaison visuelle des résultats des trois méthodes
• Implémentation de la détection de contours
• Détection et suivi de formes simples sur des images et vidéos
• Détection faciale avec Haar Cascades sur des images et flux vidéo

Introduction à Scikit Learn

• Concept de base : pipeline, entrainement et test
• Algorithmes disponibles : classification, régression, clustering
• Transformations géométriques : translation, rotation et homographie.

Mise en pratique

• Intégration OpenCV + Scikit-Learn
  • Démonstration : Pipeline complet pour détecter des objets et les classifier
  • Exemple pratique : Classification d’objets simples à partir de leurs contours

Apprentissage automatique pour la vision par ordinateur

• Introduction aux réseaux de neurones convolutifs (CNN)
  • Concepts fondamentaux : couches convolutives, pooling, fully connected.
  • Applications des CNN en vision par ordinateur
  • Introduction à TensorFlow et Keras pour le développement de modèles
• Classification d’images avec un CNN
  • Prétraitement des données pour les CNN
  • Présentation du dataset MNIST pour la reconnaissance de chiffres manuscrits
• Mise en œuvre avancée et déploiement
  • Ajustement des hyperparamètres des modèles CNN
  • Introduction au fine-tuning de modèles pré-entraînés
  • Déploiement et intégration des solutions
• Déploiement et intégration
  • Bonnes pratiques pour intégrer des modèles de vision par ordinateur dans des applications mobiles
  • Concepts de sécurité et performance pour des applications en production

Mise en pratique

• Création et entraînement d’un modèle CNN avec TensorFlow/Keras
• Test du modèle sur le dataset MNIST (ou autre si fourni)
• Analyse des performances du modèle
• Mini-projet : Reconnaissance de chiffres manuscrits avec un CNN
  • Entraînement et amélioration d’un modèle CNN
  • Évaluation sur des données personnalisées
  • Exportation du modèle pour le déploiement

Clôture et ressources

• Session de questions/réponses, QCM validation et satisfaction (30 min)
• Distribution des supports de formation, exemples de code et recommandations de lectures complémentaires