{"product_id":"138181","title":"Apprentissage profond et vision par ordinateur : Apprendre par la pratique ! ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jXPB8rmrOW87VDrTWIfOTyDhzMeVP.png?v=1765061010\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e Apprentissage profond et vision par ordinateur : Apprendre par la pratique ! \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/150619242\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\u003cdiv\u003e \u003cb\u003eApprenez les théories fondamentales du traitement d'images par apprentissage profond, de la vision par ordinateur et des projets de conduite autonome !\u003c\/b\u003e\u003cbr\u003e \u003cbr\u003e« Apprentissage pratique ! Vision par ordinateur et apprentissage profond à travers des projets » est une ressource pédagogique destinée aux étudiants et aux développeurs débutants souhaitant se spécialiser en vision par ordinateur et apprentissage profond, ainsi qu'en conduite autonome. Elle aborde les théories fondamentales du traitement d'images par apprentissage profond et propose des mini-projets d'introduction permettant de résoudre des problèmes connexes.\u003cbr\u003e Le livre est divisé en trois parties.\u003cbr\u003e\u003cbr\u003e\u003cbr\u003e La première partie couvre un large éventail de sujets, allant de la théorie de base de la vision par ordinateur d'apprentissage profond aux principes fondamentaux des réseaux neuronaux profonds et des réseaux neuronaux convolutifs (CNN), une introduction à la célèbre architecture CNN, et SSD et YOLOv4~v11 pour la reconnaissance d'objets.\u003cbr\u003e La deuxième partie présente divers projets visant à résoudre des problèmes concrets.\u003cbr\u003e Il comprend la classification des matières recyclables à l'aide d'un modèle de classification d'images de base, la reconnaissance d'objets par vidéosurveillance à l'aide d'un modèle de reconnaissance d'objets SSD et la reconnaissance des piétons aux passages piétons à l'aide d'un modèle de reconnaissance d'objets YOLO. \u003cbr\u003eLa partie 3 montre comment réaliser le même projet dans un environnement NVIDIA Jetson Nano.\u003cbr\u003e Cet ouvrage permettra aux lecteurs d'acquérir les connaissances nécessaires à la mise en œuvre de projets de vision par ordinateur basés sur l'apprentissage profond dans des environnements embarqués.\u003cbr\u003e\n\n\u003c\/div\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre.\u003cbr\u003e \u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003e[PARTIE 0] Prologue\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 0.1 Qu'est-ce que l'analyse d'images par apprentissage profond ?\u003cbr\u003e 0.2 Que pouvez-vous faire avec une caméra IA ?\u003cbr\u003e 0.3 Préparation à la pratique de ce livre\u003cbr\u003e Préparation à la formation pratique sur Google Colab\u003cbr\u003e ___Démarrage de l'environnement de projet Windows\u003cbr\u003e\u003cbr\u003e \u003cb\u003e[PARTIE 1] Apprenons l'analyse vidéo par apprentissage profond.\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 1 : Introduction à l'analyse d'images par apprentissage profond\u003cbr\u003e 1.1 Trois techniques représentatives d'analyse d'images par apprentissage profond\u003cbr\u003e Classification d'images\u003cbr\u003e ___Reconnaissance d'objets dans les images\u003cbr\u003e segmentation d'image\u003cbr\u003e 1.2 Comprendre l'apprentissage profond pour l'analyse d'images\u003cbr\u003e L'apprentissage profond dans l'histoire de l'IA\u003cbr\u003e Comprendre les réseaux neuronaux profonds\u003cbr\u003e 1.3 Structure de base d'un modèle d'apprentissage profond\u003cbr\u003e Processus d'entraînement et inférence en apprentissage profond \u003cbr\u003e___Optimisation de la fonction de perte et des pondérations\u003cbr\u003e Descente de gradient et rétropropagation\u003cbr\u003e Fonction Softmax\u003cbr\u003e 1.4 Exemple ANN MNIST PyTorch\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 2 : Les débuts de l’analyse d’images par apprentissage profond, CNN\u003cbr\u003e 2.1 Pourquoi les CNN sont-ils importants dans l'analyse d'images par apprentissage profond ?\u003cbr\u003e Caractéristiques des données d'entrée en analyse d'images\u003cbr\u003e Couche FC et couche Conv\u003cbr\u003e 2.2 Comprendre CNN\u003cbr\u003e ___Différence entre les cartes d'activation et les cartes de caractéristiques\u003cbr\u003e ___Le rôle des couches de convolution et de pooling\u003cbr\u003e 2.3 Préparation du processus d'entraînement en apprentissage profond\u003cbr\u003e ___Préparer l'ensemble de données\u003cbr\u003e Fonction d'activation\u003cbr\u003e ___LeNet : Exemple PyTorch CNN MNIST\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 3 : Processus d’apprentissage pour l’analyse d’images par apprentissage profond\u003cbr\u003e 3.1 Solveurs d'optimisation du poids\u003cbr\u003e ___SGD + Momentum\u003cbr\u003e ___Adagrad\u003cbr\u003e ___RMSProp\u003cbr\u003e ___Adam\u003cbr\u003e 3.2 Comment améliorer les résultats de l'apprentissage profond\u003cbr\u003e Normalisation par lots\u003cbr\u003e Augmentation des données et apprentissage par transfert\u003cbr\u003e 3.3 Architectures de réseaux CNN populaires\u003cbr\u003e ___AlexNet : Lauréat du premier concours de classification d'images basé sur les réseaux de neurones convolutifs\u003cbr\u003e ___VGGNet : Un réseau simple et performant\u003cbr\u003e GoogleNet : Un réseau créé par Google et utilisé par tous. \u003cbr\u003e___ResNet : Le réseau le plus profond et le plus performant\u003cbr\u003e 3.4 Exemple ResNet PyTorch\u003cbr\u003e Entraînement d'un modèle de classification PyTorch\u003cbr\u003e Inférence du modèle de classification PyTorch\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 4 : Segmentation d’images et reconnaissance d’objets\u003cbr\u003e 4.1 Segmentation d'images\u003cbr\u003e Concept de segmentation d'image\u003cbr\u003e Critères d'évaluation du modèle ___\u003cbr\u003e Segmentation d'image FCN\u003cbr\u003e 4.2 Reconnaissance d'objets dans les images\u003cbr\u003e Concepts de base de la reconnaissance d'objets dans les images\u003cbr\u003e ___Plus rapide R-CNN\u003cbr\u003e 4.3 YOLO : Le premier réseau de reconnaissance d’objets en temps réel\u003cbr\u003e YOLO : On ne regarde qu'une seule fois\u003cbr\u003e ___YOLOv2 : Meilleur, plus rapide, plus puissant\u003cbr\u003e ___YOLOv3 : Amélioration progressive\u003cbr\u003e 4.4 SSD : L’alliance des atouts de Faster R-CNN et de YOLO\u003cbr\u003e ___SSD : Détecteur de boîtes multiples à prise unique\u003cbr\u003e 4.5 Autres réseaux\u003cbr\u003e ___Mask R-CNN : Segmentation d'objets dans une image\u003cbr\u003e MobileNet v2 : Reconnaissance d’objets compacte et performante\u003cbr\u003e ___YOLOv4 : Le nouveau YOLO\u003cbr\u003e ___YOLOv4-tiny : Version miniature pour petits appareils\u003cbr\u003e 4.6 Pratique YOLOv4\u003cbr\u003e ___Préparation à l'entraînement\u003cbr\u003e ___apprentissage\u003cbr\u003e Apprentissage par réseaux neuronaux profonds\u003cbr\u003e Tests d'inférence d'images dans Colab\u003cbr\u003e\u003cbr\u003e \u003cb\u003e[PARTIE 2] Projet d'analyse vidéo utilisant l'apprentissage profond\u003c\/b\u003e\u003cbr\u003e \u003cbr\u003e▣ Chapitre 5 : Classification des matières recyclables par classification d’images\u003cbr\u003e 5.1 Aperçu du projet de tri des déchets recyclables\u003cbr\u003e 5.2 Classe de jeu de données\u003cbr\u003e ___Classe de jeu de données personnalisé PyTorch\u003cbr\u003e Classe de jeu de données pour la classification d'images\u003cbr\u003e 5.3 Mise en œuvre d'un réseau neuronal profond\u003cbr\u003e Importer le module ___\u003cbr\u003e Structure de base du modèle\u003cbr\u003e Implémentation de la méthode __init__\u003cbr\u003e Mise en œuvre de la méthode ___forward\u003cbr\u003e 5.4 Mise en œuvre d'un réseau neuronal profond à apprentissage par transfert\u003cbr\u003e 5.5 Cours d'apprentissage des réseaux neuronaux profonds\u003cbr\u003e Structure de la classe ___\u003cbr\u003e Implémentation de la méthode __init__\u003cbr\u003e Mise en œuvre de la méthode ___prepare_network\u003cbr\u003e Mise en œuvre de la méthode ___training_network\u003cbr\u003e 5.6 Entraînement avec des réseaux neuronaux profonds dans Colab\u003cbr\u003e ___Télécharger les classes et les jeux de données Python\u003cbr\u003e ___apprentissage\u003cbr\u003e Téléchargez le modèle ___\u003cbr\u003e 5.7 Test de l'inférence d'images dans Colab\u003cbr\u003e 5.8 Exercices d'inférence dans un environnement Windows\u003cbr\u003e Code d'inférence de classification recyclable\u003cbr\u003e Inférence de classification recyclable en cours d'exécution\u003cbr\u003e 5.9 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 6 : Reconnaissance d’objets SSD pour la vidéosurveillance\u003cbr\u003e 6.1 Objectifs du projet et scénarios d'utilisation\u003cbr\u003e 6.2 Préparation du laboratoire\u003cbr\u003e Configurez Google Drive et téléchargez le code source. \u003cbr\u003e___Télécharger le jeu de données Open Image\u003cbr\u003e Classe ___Dataset (OpenImagesDataset)\u003cbr\u003e 6.3 Apprentissage en réseau\u003cbr\u003e Réseau neuronal profond SSD MobileNet v1\u003cbr\u003e Formation ___SSD MobileNet v1\u003cbr\u003e ___Formation SSD MobileNet v1\u003cbr\u003e Tests d'inférence dans Colab\u003cbr\u003e 6.4 Exercices d'inférence de projet dans un environnement Windows\u003cbr\u003e Description du code de reconnaissance d'objets SSD par inférence CCTV (inférence d'images vidéo et de caméra)\u003cbr\u003e Application de reconnaissance d'objets SSD par vidéosurveillance (enregistrement de la détection d'objets) - Description du code\u003cbr\u003e Exécution de l'inférence de reconnaissance d'objets SSD par vidéosurveillance\u003cbr\u003e 6.5 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 7 : Système de protection des piétons aux passages piétons utilisant YOLO\u003cbr\u003e 7.1 Objectifs du projet et scénarios d'utilisation\u003cbr\u003e 7.2 Préparation à la pratique de YOLOv5\u003cbr\u003e ___Préparer l'ensemble de données\u003cbr\u003e Formation ___YOLOv5\u003cbr\u003e 7.3 Exercices d'inférence YOLOv5 sous Windows\u003cbr\u003e Préparation de l'inférence YOLOv5 sous Windows\u003cbr\u003e Test d'inférence ___YOLOv5\u003cbr\u003e 7.4 Préparation à la pratique de YOLOv7\u003cbr\u003e ___YOLOv7 Description\u003cbr\u003e ___Préparer l'ensemble de données\u003cbr\u003e Formation ___YOLOv7\u003cbr\u003e Exercices d'inférence YOLOv7 sous Windows 7.5\u003cbr\u003e Préparation de l'inférence YOLOv7 sous Windows\u003cbr\u003e Test d'inférence ___YOLOv7\u003cbr\u003e 7.6 Résumé\u003cbr\u003e \u003cbr\u003e\u003cb\u003e[PARTIE 3] Utilisation de Jetson Nano et JetBot\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 8 : Projet d’inférence Jetson Nano\u003cbr\u003e 8.1 Premiers pas avec Jetson Nano\u003cbr\u003e Spécifications du Jetson Nano\u003cbr\u003e Démarrage du Jetson Nano\u003cbr\u003e ___Vérifiez le code source GitHub de base\u003cbr\u003e Test de la caméra Jetson Nano\u003cbr\u003e ___Vérifiez les paramètres de base d'apprentissage profond du Jetson Nano\u003cbr\u003e Moteur d'accélération de l'IA\u003cbr\u003e 8.2 Classification des matériaux recyclables par inférence sur Jetson Nano\u003cbr\u003e Préparation du tri des matières recyclables\u003cbr\u003e Inférence de classification des matières recyclables en cours d'exécution\u003cbr\u003e 8.3 SSD Reconnaissance d'objets CCTV Jetson Nano Inférence\u003cbr\u003e Test d'inférence SSD sur des photos fixes\u003cbr\u003e Code d'inférence d'images vidéo et de caméra\u003cbr\u003e Application de reconnaissance d'objets SSD par vidéosurveillance (enregistrement de la détection d'objets) - Description du code\u003cbr\u003e Exécution de l'inférence de reconnaissance d'objets SSD par vidéosurveillance\u003cbr\u003e Exécution de l'application d'inférence de vidéosurveillance pour la reconnaissance d'objets SSD (enregistrement de la détection d'objets)\u003cbr\u003e 8.4 YOLOv4 Enregistrement de terrain Inférence de boîte noire Jetson Nano\u003cbr\u003e Préparez-vous à l'inférence\u003cbr\u003e Code d'inférence de la boîte noire du Darknet\u003cbr\u003e 8.5 YOLOv5 Système de protection des piétons pour passage piéton Jetson Nano Inference\u003cbr\u003e Préparation de l'inférence sur Jetson Nano\u003cbr\u003e Optimisation de TensorRT\u003cbr\u003e Inférence utilisant ___TensorRT \u003cbr\u003e8.6 Résumé\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 9 : Trois projets de robots mobiles dotés d’IA\u003cbr\u003e 9.1 Préparation du projet de robot mobile IA\u003cbr\u003e ___Préparation de robots mobiles IA\u003cbr\u003e Environnement de base du robot mobile IA\u003cbr\u003e Test de base du robot mobile IA\u003cbr\u003e Paramètres du mode d'alimentation\u003cbr\u003e 9.2 Freinage d'urgence automatique pour éviter les collisions\u003cbr\u003e Collecte de données situationnelles pour éviter les collisions\u003cbr\u003e Formation avec le réseau AlexNet\u003cbr\u003e Code de freinage d'urgence automatique pour éviter les collisions\u003cbr\u003e Test de freinage d'urgence automatique d'un robot mobile doté d'IA\u003cbr\u003e 9.3 Bot de suivi\u003cbr\u003e Bibliothèque du moteur d'accélération d'inférence\u003cbr\u003e Exemple de code du modèle de reconnaissance d'objets avec accélération de l'inférence\u003cbr\u003e ___Code de test de Followingbot\u003cbr\u003e Test d'un bot suiveur avec un modèle pré-entraîné\u003cbr\u003e Test d'un bot de suivi avec un modèle SSD pour la vidéosurveillance\u003cbr\u003e 9.4 Conduite autonome avec détection de la voie\u003cbr\u003e Collecte de données de la voie (test simple)\u003cbr\u003e ___Entraînement d'un modèle de régression avec le réseau ResNet-18\u003cbr\u003e Test de conduite autonome avec reconnaissance de voie (test simple)\u003cbr\u003e Essai de conduite autonome avec reconnaissance de voie\u003cbr\u003e Collecte et entraînement des données de voie (tests sur piste) \u003cbr\u003eTest de conduite autonome avec reconnaissance de voie (test sur piste)\u003cbr\u003e 9.5 Résumé\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate5498\/MidCate3\/549724279.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eAvis de l'éditeur\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003e★ Ce que ce livre aborde ★\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ◎ Théorie fondamentale du traitement d'images par apprentissage profond\u003cbr\u003e ◎ Architecture CNN réputée et SSD pour la reconnaissance d'objets, YOLOv4~v11\u003cbr\u003e ◎ Exercices de classification d'images et de reconnaissance d'objets\u003cbr\u003e ◎ Projet de vision par ordinateur utilisant NVIDIA Jetson Nano\u003cbr\u003e ◎ Projet de conduite autonome du robot mobile (JetBot)\u003cbr\u003e\u003cbr\u003e \u003cb\u003e★ Chaîne YouTube pour vous aider à vous entraîner avec ce livre ★\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e https:\/\/www.youtube.com\/@r-ssaem \u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate d'émission :\u003c\/strong\u003e 19 août 2025\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 512 pages | 175 × 235 × 21 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791158396312 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43893213364266,"sku":"138181","price":44.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/c0ec0070b89f51dd20843fe85c62f827.jpg?v=1765392048","url":"https:\/\/librairie.coreenne.fr\/products\/138181","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}