Apprentissage profond et vision par ordinateur : Apprendre par la pratique !
 |
Description
Introduction au livre
Apprenez les théories fondamentales du traitement d'images par apprentissage profond, de la vision par ordinateur et des projets de conduite autonome !
« 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.
Le livre est divisé en trois parties.
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.
La deuxième partie présente divers projets visant à résoudre des problèmes concrets.
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.
La partie 3 montre comment réaliser le même projet dans un environnement NVIDIA Jetson Nano.
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.
« 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.
Le livre est divisé en trois parties.
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.
La deuxième partie présente divers projets visant à résoudre des problèmes concrets.
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.
La partie 3 montre comment réaliser le même projet dans un environnement NVIDIA Jetson Nano.
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.
- Vous pouvez consulter un aperçu du contenu du livre.
Aperçu
indice
[PARTIE 0] Prologue
0.1 Qu'est-ce que l'analyse d'images par apprentissage profond ?
0.2 Que pouvez-vous faire avec une caméra IA ?
0.3 Préparation à la pratique de ce livre
Préparation à la formation pratique sur Google Colab
___Démarrage de l'environnement de projet Windows
[PARTIE 1] Apprenons l'analyse vidéo par apprentissage profond.
▣ Chapitre 1 : Introduction à l'analyse d'images par apprentissage profond
1.1 Trois techniques représentatives d'analyse d'images par apprentissage profond
Classification d'images
___Reconnaissance d'objets dans les images
segmentation d'image
1.2 Comprendre l'apprentissage profond pour l'analyse d'images
L'apprentissage profond dans l'histoire de l'IA
Comprendre les réseaux neuronaux profonds
1.3 Structure de base d'un modèle d'apprentissage profond
Processus d'entraînement et inférence en apprentissage profond
___Optimisation de la fonction de perte et des pondérations
Descente de gradient et rétropropagation
Fonction Softmax
1.4 Exemple ANN MNIST PyTorch
▣ Chapitre 2 : Les débuts de l’analyse d’images par apprentissage profond, CNN
2.1 Pourquoi les CNN sont-ils importants dans l'analyse d'images par apprentissage profond ?
Caractéristiques des données d'entrée en analyse d'images
Couche FC et couche Conv
2.2 Comprendre CNN
___Différence entre les cartes d'activation et les cartes de caractéristiques
___Le rôle des couches de convolution et de pooling
2.3 Préparation du processus d'entraînement en apprentissage profond
___Préparer l'ensemble de données
Fonction d'activation
___LeNet : Exemple PyTorch CNN MNIST
▣ Chapitre 3 : Processus d’apprentissage pour l’analyse d’images par apprentissage profond
3.1 Solveurs d'optimisation du poids
___SGD + Momentum
___Adagrad
___RMSProp
___Adam
3.2 Comment améliorer les résultats de l'apprentissage profond
Normalisation par lots
Augmentation des données et apprentissage par transfert
3.3 Architectures de réseaux CNN populaires
___AlexNet : Lauréat du premier concours de classification d'images basé sur les réseaux de neurones convolutifs
___VGGNet : Un réseau simple et performant
GoogleNet : Un réseau créé par Google et utilisé par tous.
___ResNet : Le réseau le plus profond et le plus performant
3.4 Exemple ResNet PyTorch
Entraînement d'un modèle de classification PyTorch
Inférence du modèle de classification PyTorch
▣ Chapitre 4 : Segmentation d’images et reconnaissance d’objets
4.1 Segmentation d'images
Concept de segmentation d'image
Critères d'évaluation du modèle ___
Segmentation d'image FCN
4.2 Reconnaissance d'objets dans les images
Concepts de base de la reconnaissance d'objets dans les images
___Plus rapide R-CNN
4.3 YOLO : Le premier réseau de reconnaissance d’objets en temps réel
YOLO : On ne regarde qu'une seule fois
___YOLOv2 : Meilleur, plus rapide, plus puissant
___YOLOv3 : Amélioration progressive
4.4 SSD : L’alliance des atouts de Faster R-CNN et de YOLO
___SSD : Détecteur de boîtes multiples à prise unique
4.5 Autres réseaux
___Mask R-CNN : Segmentation d'objets dans une image
MobileNet v2 : Reconnaissance d’objets compacte et performante
___YOLOv4 : Le nouveau YOLO
___YOLOv4-tiny : Version miniature pour petits appareils
4.6 Pratique YOLOv4
___Préparation à l'entraînement
___apprentissage
Apprentissage par réseaux neuronaux profonds
Tests d'inférence d'images dans Colab
[PARTIE 2] Projet d'analyse vidéo utilisant l'apprentissage profond
▣ Chapitre 5 : Classification des matières recyclables par classification d’images
5.1 Aperçu du projet de tri des déchets recyclables
5.2 Classe de jeu de données
___Classe de jeu de données personnalisé PyTorch
Classe de jeu de données pour la classification d'images
5.3 Mise en œuvre d'un réseau neuronal profond
Importer le module ___
Structure de base du modèle
Implémentation de la méthode __init__
Mise en œuvre de la méthode ___forward
5.4 Mise en œuvre d'un réseau neuronal profond à apprentissage par transfert
5.5 Cours d'apprentissage des réseaux neuronaux profonds
Structure de la classe ___
Implémentation de la méthode __init__
Mise en œuvre de la méthode ___prepare_network
Mise en œuvre de la méthode ___training_network
5.6 Entraînement avec des réseaux neuronaux profonds dans Colab
___Télécharger les classes et les jeux de données Python
___apprentissage
Téléchargez le modèle ___
5.7 Test de l'inférence d'images dans Colab
5.8 Exercices d'inférence dans un environnement Windows
Code d'inférence de classification recyclable
Inférence de classification recyclable en cours d'exécution
5.9 Résumé
▣ Chapitre 6 : Reconnaissance d’objets SSD pour la vidéosurveillance
6.1 Objectifs du projet et scénarios d'utilisation
6.2 Préparation du laboratoire
Configurez Google Drive et téléchargez le code source.
___Télécharger le jeu de données Open Image
Classe ___Dataset (OpenImagesDataset)
6.3 Apprentissage en réseau
Réseau neuronal profond SSD MobileNet v1
Formation ___SSD MobileNet v1
___Formation SSD MobileNet v1
Tests d'inférence dans Colab
6.4 Exercices d'inférence de projet dans un environnement Windows
Description du code de reconnaissance d'objets SSD par inférence CCTV (inférence d'images vidéo et de caméra)
Application de reconnaissance d'objets SSD par vidéosurveillance (enregistrement de la détection d'objets) - Description du code
Exécution de l'inférence de reconnaissance d'objets SSD par vidéosurveillance
6.5 Résumé
▣ Chapitre 7 : Système de protection des piétons aux passages piétons utilisant YOLO
7.1 Objectifs du projet et scénarios d'utilisation
7.2 Préparation à la pratique de YOLOv5
___Préparer l'ensemble de données
Formation ___YOLOv5
7.3 Exercices d'inférence YOLOv5 sous Windows
Préparation de l'inférence YOLOv5 sous Windows
Test d'inférence ___YOLOv5
7.4 Préparation à la pratique de YOLOv7
___YOLOv7 Description
___Préparer l'ensemble de données
Formation ___YOLOv7
Exercices d'inférence YOLOv7 sous Windows 7.5
Préparation de l'inférence YOLOv7 sous Windows
Test d'inférence ___YOLOv7
7.6 Résumé
[PARTIE 3] Utilisation de Jetson Nano et JetBot
▣ Chapitre 8 : Projet d’inférence Jetson Nano
8.1 Premiers pas avec Jetson Nano
Spécifications du Jetson Nano
Démarrage du Jetson Nano
___Vérifiez le code source GitHub de base
Test de la caméra Jetson Nano
___Vérifiez les paramètres de base d'apprentissage profond du Jetson Nano
Moteur d'accélération de l'IA
8.2 Classification des matériaux recyclables par inférence sur Jetson Nano
Préparation du tri des matières recyclables
Inférence de classification des matières recyclables en cours d'exécution
8.3 SSD Reconnaissance d'objets CCTV Jetson Nano Inférence
Test d'inférence SSD sur des photos fixes
Code d'inférence d'images vidéo et de caméra
Application de reconnaissance d'objets SSD par vidéosurveillance (enregistrement de la détection d'objets) - Description du code
Exécution de l'inférence de reconnaissance d'objets SSD par vidéosurveillance
Exécution de l'application d'inférence de vidéosurveillance pour la reconnaissance d'objets SSD (enregistrement de la détection d'objets)
8.4 YOLOv4 Enregistrement de terrain Inférence de boîte noire Jetson Nano
Préparez-vous à l'inférence
Code d'inférence de la boîte noire du Darknet
8.5 YOLOv5 Système de protection des piétons pour passage piéton Jetson Nano Inference
Préparation de l'inférence sur Jetson Nano
Optimisation de TensorRT
Inférence utilisant ___TensorRT
8.6 Résumé
▣ Chapitre 9 : Trois projets de robots mobiles dotés d’IA
9.1 Préparation du projet de robot mobile IA
___Préparation de robots mobiles IA
Environnement de base du robot mobile IA
Test de base du robot mobile IA
Paramètres du mode d'alimentation
9.2 Freinage d'urgence automatique pour éviter les collisions
Collecte de données situationnelles pour éviter les collisions
Formation avec le réseau AlexNet
Code de freinage d'urgence automatique pour éviter les collisions
Test de freinage d'urgence automatique d'un robot mobile doté d'IA
9.3 Bot de suivi
Bibliothèque du moteur d'accélération d'inférence
Exemple de code du modèle de reconnaissance d'objets avec accélération de l'inférence
___Code de test de Followingbot
Test d'un bot suiveur avec un modèle pré-entraîné
Test d'un bot de suivi avec un modèle SSD pour la vidéosurveillance
9.4 Conduite autonome avec détection de la voie
Collecte de données de la voie (test simple)
___Entraînement d'un modèle de régression avec le réseau ResNet-18
Test de conduite autonome avec reconnaissance de voie (test simple)
Essai de conduite autonome avec reconnaissance de voie
Collecte et entraînement des données de voie (tests sur piste)
Test de conduite autonome avec reconnaissance de voie (test sur piste)
9.5 Résumé
0.1 Qu'est-ce que l'analyse d'images par apprentissage profond ?
0.2 Que pouvez-vous faire avec une caméra IA ?
0.3 Préparation à la pratique de ce livre
Préparation à la formation pratique sur Google Colab
___Démarrage de l'environnement de projet Windows
[PARTIE 1] Apprenons l'analyse vidéo par apprentissage profond.
▣ Chapitre 1 : Introduction à l'analyse d'images par apprentissage profond
1.1 Trois techniques représentatives d'analyse d'images par apprentissage profond
Classification d'images
___Reconnaissance d'objets dans les images
segmentation d'image
1.2 Comprendre l'apprentissage profond pour l'analyse d'images
L'apprentissage profond dans l'histoire de l'IA
Comprendre les réseaux neuronaux profonds
1.3 Structure de base d'un modèle d'apprentissage profond
Processus d'entraînement et inférence en apprentissage profond
___Optimisation de la fonction de perte et des pondérations
Descente de gradient et rétropropagation
Fonction Softmax
1.4 Exemple ANN MNIST PyTorch
▣ Chapitre 2 : Les débuts de l’analyse d’images par apprentissage profond, CNN
2.1 Pourquoi les CNN sont-ils importants dans l'analyse d'images par apprentissage profond ?
Caractéristiques des données d'entrée en analyse d'images
Couche FC et couche Conv
2.2 Comprendre CNN
___Différence entre les cartes d'activation et les cartes de caractéristiques
___Le rôle des couches de convolution et de pooling
2.3 Préparation du processus d'entraînement en apprentissage profond
___Préparer l'ensemble de données
Fonction d'activation
___LeNet : Exemple PyTorch CNN MNIST
▣ Chapitre 3 : Processus d’apprentissage pour l’analyse d’images par apprentissage profond
3.1 Solveurs d'optimisation du poids
___SGD + Momentum
___Adagrad
___RMSProp
___Adam
3.2 Comment améliorer les résultats de l'apprentissage profond
Normalisation par lots
Augmentation des données et apprentissage par transfert
3.3 Architectures de réseaux CNN populaires
___AlexNet : Lauréat du premier concours de classification d'images basé sur les réseaux de neurones convolutifs
___VGGNet : Un réseau simple et performant
GoogleNet : Un réseau créé par Google et utilisé par tous.
___ResNet : Le réseau le plus profond et le plus performant
3.4 Exemple ResNet PyTorch
Entraînement d'un modèle de classification PyTorch
Inférence du modèle de classification PyTorch
▣ Chapitre 4 : Segmentation d’images et reconnaissance d’objets
4.1 Segmentation d'images
Concept de segmentation d'image
Critères d'évaluation du modèle ___
Segmentation d'image FCN
4.2 Reconnaissance d'objets dans les images
Concepts de base de la reconnaissance d'objets dans les images
___Plus rapide R-CNN
4.3 YOLO : Le premier réseau de reconnaissance d’objets en temps réel
YOLO : On ne regarde qu'une seule fois
___YOLOv2 : Meilleur, plus rapide, plus puissant
___YOLOv3 : Amélioration progressive
4.4 SSD : L’alliance des atouts de Faster R-CNN et de YOLO
___SSD : Détecteur de boîtes multiples à prise unique
4.5 Autres réseaux
___Mask R-CNN : Segmentation d'objets dans une image
MobileNet v2 : Reconnaissance d’objets compacte et performante
___YOLOv4 : Le nouveau YOLO
___YOLOv4-tiny : Version miniature pour petits appareils
4.6 Pratique YOLOv4
___Préparation à l'entraînement
___apprentissage
Apprentissage par réseaux neuronaux profonds
Tests d'inférence d'images dans Colab
[PARTIE 2] Projet d'analyse vidéo utilisant l'apprentissage profond
▣ Chapitre 5 : Classification des matières recyclables par classification d’images
5.1 Aperçu du projet de tri des déchets recyclables
5.2 Classe de jeu de données
___Classe de jeu de données personnalisé PyTorch
Classe de jeu de données pour la classification d'images
5.3 Mise en œuvre d'un réseau neuronal profond
Importer le module ___
Structure de base du modèle
Implémentation de la méthode __init__
Mise en œuvre de la méthode ___forward
5.4 Mise en œuvre d'un réseau neuronal profond à apprentissage par transfert
5.5 Cours d'apprentissage des réseaux neuronaux profonds
Structure de la classe ___
Implémentation de la méthode __init__
Mise en œuvre de la méthode ___prepare_network
Mise en œuvre de la méthode ___training_network
5.6 Entraînement avec des réseaux neuronaux profonds dans Colab
___Télécharger les classes et les jeux de données Python
___apprentissage
Téléchargez le modèle ___
5.7 Test de l'inférence d'images dans Colab
5.8 Exercices d'inférence dans un environnement Windows
Code d'inférence de classification recyclable
Inférence de classification recyclable en cours d'exécution
5.9 Résumé
▣ Chapitre 6 : Reconnaissance d’objets SSD pour la vidéosurveillance
6.1 Objectifs du projet et scénarios d'utilisation
6.2 Préparation du laboratoire
Configurez Google Drive et téléchargez le code source.
___Télécharger le jeu de données Open Image
Classe ___Dataset (OpenImagesDataset)
6.3 Apprentissage en réseau
Réseau neuronal profond SSD MobileNet v1
Formation ___SSD MobileNet v1
___Formation SSD MobileNet v1
Tests d'inférence dans Colab
6.4 Exercices d'inférence de projet dans un environnement Windows
Description du code de reconnaissance d'objets SSD par inférence CCTV (inférence d'images vidéo et de caméra)
Application de reconnaissance d'objets SSD par vidéosurveillance (enregistrement de la détection d'objets) - Description du code
Exécution de l'inférence de reconnaissance d'objets SSD par vidéosurveillance
6.5 Résumé
▣ Chapitre 7 : Système de protection des piétons aux passages piétons utilisant YOLO
7.1 Objectifs du projet et scénarios d'utilisation
7.2 Préparation à la pratique de YOLOv5
___Préparer l'ensemble de données
Formation ___YOLOv5
7.3 Exercices d'inférence YOLOv5 sous Windows
Préparation de l'inférence YOLOv5 sous Windows
Test d'inférence ___YOLOv5
7.4 Préparation à la pratique de YOLOv7
___YOLOv7 Description
___Préparer l'ensemble de données
Formation ___YOLOv7
Exercices d'inférence YOLOv7 sous Windows 7.5
Préparation de l'inférence YOLOv7 sous Windows
Test d'inférence ___YOLOv7
7.6 Résumé
[PARTIE 3] Utilisation de Jetson Nano et JetBot
▣ Chapitre 8 : Projet d’inférence Jetson Nano
8.1 Premiers pas avec Jetson Nano
Spécifications du Jetson Nano
Démarrage du Jetson Nano
___Vérifiez le code source GitHub de base
Test de la caméra Jetson Nano
___Vérifiez les paramètres de base d'apprentissage profond du Jetson Nano
Moteur d'accélération de l'IA
8.2 Classification des matériaux recyclables par inférence sur Jetson Nano
Préparation du tri des matières recyclables
Inférence de classification des matières recyclables en cours d'exécution
8.3 SSD Reconnaissance d'objets CCTV Jetson Nano Inférence
Test d'inférence SSD sur des photos fixes
Code d'inférence d'images vidéo et de caméra
Application de reconnaissance d'objets SSD par vidéosurveillance (enregistrement de la détection d'objets) - Description du code
Exécution de l'inférence de reconnaissance d'objets SSD par vidéosurveillance
Exécution de l'application d'inférence de vidéosurveillance pour la reconnaissance d'objets SSD (enregistrement de la détection d'objets)
8.4 YOLOv4 Enregistrement de terrain Inférence de boîte noire Jetson Nano
Préparez-vous à l'inférence
Code d'inférence de la boîte noire du Darknet
8.5 YOLOv5 Système de protection des piétons pour passage piéton Jetson Nano Inference
Préparation de l'inférence sur Jetson Nano
Optimisation de TensorRT
Inférence utilisant ___TensorRT
8.6 Résumé
▣ Chapitre 9 : Trois projets de robots mobiles dotés d’IA
9.1 Préparation du projet de robot mobile IA
___Préparation de robots mobiles IA
Environnement de base du robot mobile IA
Test de base du robot mobile IA
Paramètres du mode d'alimentation
9.2 Freinage d'urgence automatique pour éviter les collisions
Collecte de données situationnelles pour éviter les collisions
Formation avec le réseau AlexNet
Code de freinage d'urgence automatique pour éviter les collisions
Test de freinage d'urgence automatique d'un robot mobile doté d'IA
9.3 Bot de suivi
Bibliothèque du moteur d'accélération d'inférence
Exemple de code du modèle de reconnaissance d'objets avec accélération de l'inférence
___Code de test de Followingbot
Test d'un bot suiveur avec un modèle pré-entraîné
Test d'un bot de suivi avec un modèle SSD pour la vidéosurveillance
9.4 Conduite autonome avec détection de la voie
Collecte de données de la voie (test simple)
___Entraînement d'un modèle de régression avec le réseau ResNet-18
Test de conduite autonome avec reconnaissance de voie (test simple)
Essai de conduite autonome avec reconnaissance de voie
Collecte et entraînement des données de voie (tests sur piste)
Test de conduite autonome avec reconnaissance de voie (test sur piste)
9.5 Résumé
Image détaillée
Avis de l'éditeur
★ Ce que ce livre aborde ★
◎ Théorie fondamentale du traitement d'images par apprentissage profond
◎ Architecture CNN réputée et SSD pour la reconnaissance d'objets, YOLOv4~v11
◎ Exercices de classification d'images et de reconnaissance d'objets
◎ Projet de vision par ordinateur utilisant NVIDIA Jetson Nano
◎ Projet de conduite autonome du robot mobile (JetBot)
★ Chaîne YouTube pour vous aider à vous entraîner avec ce livre ★
https://www.youtube.com/@r-ssaem
◎ Théorie fondamentale du traitement d'images par apprentissage profond
◎ Architecture CNN réputée et SSD pour la reconnaissance d'objets, YOLOv4~v11
◎ Exercices de classification d'images et de reconnaissance d'objets
◎ Projet de vision par ordinateur utilisant NVIDIA Jetson Nano
◎ Projet de conduite autonome du robot mobile (JetBot)
★ Chaîne YouTube pour vous aider à vous entraîner avec ce livre ★
https://www.youtube.com/@r-ssaem
SPÉCIFICATIONS DES PRODUITS
- Date d'émission : 19 août 2025
- Nombre de pages, poids, dimensions : 512 pages | 175 × 235 × 21 mm
- ISBN13 : 9791158396312
Vous aimerez peut-être aussi
카테고리
Langue coréenne
Langue coréenne
![GQ KOREA Mark (Mensuel) : décembre [2025]](http://librairie.coreenne.fr/cdn/shop/files/8ef265dbbfbf186523ed75ba7319009d.jpg?v=1765340328&width=3840)
