Aller au contenu
English

IA de vision : voir, compter et inspecter

Transformez des photos en décisions que vous pouvez défendre. Triez des photos de produits, comptez les cartons sur une palette, trouvez les dommages sur les articles retournés et associez la photo d'un client au catalogue. Comparez des règles simples, des modèles préentraînés, des plongements, des détecteurs et des modèles vision-langage sur les mêmes images, choisissez selon le coût d'une erreur, et faites tourner le modèle choisi comme un petit service d'images.

Lisez toutes les leçons sans compte, ou connectez-vous pour vous inscrire et suivre vos progrès.

Ce cours est-il le bon pour vous?Ce que ce cours couvre et ne couvre pas, et 4 autres cours pour d'autres besoins.

Ce cours enseigne la vision appliquée aux objets du monde réel comme un outil d'affaires : cadrer la décision et le coût d'une erreur, des références de base simples, les classificateurs préentraînés et l'apprentissage par transfert, les plongements d'images et CLIP, la détection et le comptage, la segmentation guidée par requête, l'inspection avec et sans étiquettes de dommages, l'appariement d'images, les modèles vision-langage et la façon de les vérifier, et un petit service d'images avec une file de révision, une latence mesurée sur processeur (CPU) et la vie privée par défaut. Il n'enseigne pas comment les réseaux de neurones apprennent, les documents et la reconnaissance de texte (OCR), ni la plateforme qui déploie et surveille les modèles.

Suivez un autre cours si vous voulez :

Ce que vous apprendrez

À la fin de ce cours, vous pourrez :

  • Cadrer un problème de vision : la décision, le type de réponse (étiquette, boîte englobante, masque, correspondance, texte), les conditions de caméra et d'éclairage, et le coût d'un oubli et d'une fausse alerte.
  • Construire des références de base simples (règles de couleur et de taille, histogrammes de couleurs, caractéristiques HOG avec un modèle linéaire) et dire quand elles suffisent.
  • Appliquer et comparer sur les mêmes images des classificateurs préentraînés avec l'apprentissage par transfert, CLIP en zéro exemple, des sondes linéaires et des méthodes à quelques exemples, et expliquer pourquoi chacun gagne ou perd.
  • Détecter, compter et segmenter des objets avec des détecteurs préentraînés et la segmentation guidée par requête, et les mesurer avec l'IoU et la mAP par classe et par taille.
  • Choisir entre la détection supervisée des défauts et l'inspection par détection d'anomalies, trouver des images correspondantes et des doublons avec des plongements, et utiliser les modèles vision-langage là où ils aident et les vérifier là où ils échouent.
  • Exploiter un modèle de vision en production : l'étiquetage et la qualité des étiquettes, le décalage de domaine, la latence sur un processeur (CPU) (ONNX, quantification), les files de révision, la vie privée des personnes dans les images, et ce qu'il ne faut pas construire.

À propos de ce cours

L’entrepôt des retours de Larkfield vérifie à l’œil environ 600 articles retournés par jour. Quand une bougie endommagée est remise en vente comme neuve, un client se plaint et Larkfield paie deux fois. Quand une bonne bougie est marquée comme endommagée, elle est vendue au magasin de liquidation et perd sa valeur. « Utiliser l’IA sur les photos » a l’air d’être la réponse, mais ce n’est pas encore un plan.

Dans ce cours, vous suivez Priya, la scientifique des données de Larkfield, et Hamid, le responsable de l’entrepôt des retours, qui transforment des photos en décisions. Vous commencez par les méthodes les plus simples, comme un histogramme de couleurs, et vous testez chaque méthode de la même façon, sur les mêmes images, dans un seul tableau comparatif. Vous voyez une règle simple battre un grand modèle sur une tâche et perdre nettement sur une autre, et vous apprenez pourquoi.

Ensuite, vous allez plus loin : des modèles préentraînés et l’apprentissage par transfert, les plongements d’images et CLIP, des détecteurs qui comptent les cartons sur une palette, des masques qui mesurent un dommage, une inspection qui apprend seulement à partir de bons articles, et des modèles vision-langage qui décrivent un produit, parfois avec des détails qui ne sont pas sur la photo. Vous choisissez les seuils avec Hamid, à partir du coût de chaque erreur et du nombre de vérifications que son équipe peut faire en une journée.

Vous terminez avec un petit service d’images qui répond sur le processeur d’un ordinateur portable, envoie les images incertaines à une personne, floute les visages par défaut et remarque quand une nouvelle caméra change les images. Les images de Larkfield sont des photos ouvertes et des images dessinées par notre propre code, chacune avec sa licence, et chaque carnet fonctionne sur le processeur d’un ordinateur portable ou sur Colab gratuit en quelques minutes.

Avant de commencer

Vous avez terminé le cours Apprentissage automatique : du problème à un modèle fiable, ou vous avez les mêmes compétences. Vous savez lire et modifier du code Python dans un carnet (notebook), et vous connaissez les données d'entraînement, de validation et de test, la précision et le rappel, et les seuils. Le cours d'apprentissage profond aide mais n'est pas obligatoire. Vous avez besoin d'un compte Google ou Kaggle gratuit pour les carnets, ou de Python 3.12 sur votre ordinateur. Vous n'avez besoin ni de clé, ni de carte graphique, ni d'argent.

Cours à suivre avant : Apprentissage automatique : du problème à un modèle fiable.

À qui s'adresse ce cours

Les ingénieurs en apprentissage automatique, les scientifiques des données et les développeurs backend qui doivent transformer des photos et des images de caméra en décisions : trier des photos de produits, compter des articles, trouver des dommages, associer une photo à un article du catalogue ou décrire une image.

Comment nous avons créé ce cours

Des spécialistes de l'IA expérimentés ont conçu ce cours. L'IA nous a aidés à rédiger le contenu; des personnes ont choisi l'approche pédagogique et les exemples, et ont révisé chaque leçon. Les résultats que vous voyez sont les vrais résultats de l'exécution du code. Comment nous créons les cours

Dans ce cours

Module 2Références de base et classificateurs préentraînés

4 leçons

Références de base et classificateurs préentraînés. Des règles de couleur et des histogrammes, des caractéristiques HOG faites à la main, la façon dont un CNN et un transformeur de vision regardent une image, et l'apprentissage par transfert à partir d'un modèle préentraîné, tous sur les mêmes photos du catalogue.

  1. Règles et histogrammes de couleurs40 min
  2. Caractéristiques faites à la main35 min
  3. La convolution et les fragments en une leçon30 min
  4. L'apprentissage par transfert45 min

Dernier module · choisissez-en au moins uneÉtudes de cas

3 études de cas

Trois études de cas complètes sur de vraies images ouvertes. L'inspection avec peu de défauts, la classification fine, et le comptage dans des scènes encombrées. Terminez-en au moins une pour obtenir le certificat. Chacune peut entrer dans votre portfolio.

Terminez au moins une étude de cas pour obtenir le certificat. Les autres sont facultatives. Ce que couvre chacune

  1. Inspection visuelle avec peu de défauts120 min
  2. Classer des produits et des animaux à partir de photos150 min
  3. Compter et détecter dans des scènes encombrées150 min

Après les études de casTravail final

Utilisez tous les modules dans un projet pratique. Vous recueillez des preuves, puis vous les comparez aux objectifs du cours.

  1. Travail final180 min

Études de cas

Des projets réalistes du début à la fin, sur de vraies données, avec chaque résultat expliqué. Chacun devient une pièce de votre portfolio. Terminez-en au moins une pour obtenir le certificat; les autres sont facultatives.

  1. Inspection visuelle avec peu de défauts2 h

    Inspectez des pièces industrielles d'un jeu d'inspection ouvert : comparez un classificateur supervisé, PatchCore et une requête CLIP, et choisissez les seuils à partir d'un budget d'inspection.

  2. Classer des produits et des animaux à partir de photos2 h 30 min

    Classification fine sur des photos ouvertes : comparez une référence de base par histogramme, CLIP en zéro exemple, une sonde linéaire et le réglage fin selon le nombre d'images étiquetées par classe, avec la pire classe.

  3. Compter et détecter dans des scènes encombrées2 h 30 min

    Détectez et comptez des objets sur des photos ouvertes encombrées : comparez deux détecteurs, une méthode de densité et un modèle vision-langage sur l'erreur de comptage selon l'encombrement.

Avis

Chargement des avis…

    Vous avez suivi ce cours? Connectez-vous pour donner votre avis. Vous pouvez donner un avis après avoir terminé 25 % des leçons.

    Partager ce cours