Description
Cette formation présente les réseaux de neurones profonds conçus pour l’image et la vision par ordinateur : des réseaux convolutifs (CNN) jusqu’aux Transformers et aux modèles génératifs. Elle montre quelle architecture choisir pour quel problème et comment la mettre en œuvre.
- Un tour d’horizon des architectures pour l’image et les données 3D : CNN, U-Net, YOLO, Transformers, auto-encodeurs, GAN, PointNet, modèles de diffusion ;
- Une approche par problème : classification, segmentation, détection et suivi d’objets, reconstruction 3D, traitements 3D, génération d’images ;
- Une large place à la pratique : travaux pratiques sur machine, en Python avec PyTorch ;
- Une formation adossée à la recherche, animée par des enseignants-chercheurs.
Tarif : Sur devis
Intra-entreprise : Sur devis
Objectifs de la formation
À l’issue de la formation, les participants seront en mesure de :
- Expliquer le fonctionnement d’un réseau convolutif adapté aux images ;
- Identifier les grandes familles de problèmes de vision et les architectures qui y répondent ;
- Mettre en œuvre avec PyTorch un réseau pour classer, segmenter ou générer des images ou forme 3D ;
- Réutiliser des modèles pré-entraînés et les adapter (transfert d’apprentissage) ;
- Comprendre le principe de l’attention et des Transformers appliqués à des données image et 3D ;
- Comprendre les principes des modèles génératifs (auto-encodeurs, GAN, diffusion) et en mettre un en œuvre.
Profil des béneficiaires
Pour qui
Ingénieurs, développeurs, data scientists et personnels de R&D qui veulent utiliser l’apprentissage profond pour analyser ou générer des images, des vidéos et des données 3D (maillages, nuage de points, etc.).
Prérequis
- Bonne pratique de la programmation en Python ;
- Notions de base en algèbre linéaire (vecteurs, matrices) ;
- Une première connaissance des réseaux de neurones ou de l’apprentissage automatique est souhaitée (un rappel peut être fait en début de formation) ;
- Une première connaissance de NumPy est un plus.
Contenu de la formation
-
Le programme est adaptable en fonction des besoins.
Équipe pédagogique
-
Alexandre MEYER
Enseignant Chercheur, Université Lyon 1
Suivi de l’exécution et évaluation des résultats
- Attestation remise à l’issue de la formation, incluant les compétences acquises.
Ressources techniques et pédagogiques
- Pédagogie active : Alternance de cours théoriques et d’ateliers pratiques.
- Slides, scripts Python, jeux de données réels.
Accessibilité
- Des aménagements peuvent être étudiés afin d’adapter les modalités pédagogiques et les conditions de formation aux besoins spécifiques de chacun.