Description
Cette formation approfondie d’une journée alliant expertise théorique et mise en pratique est conçue pour les équipes techniques qui souhaitent passer à la vitesse supérieure en intégrant des modèles de Deep Learning avancés dans leurs solutions de vision par ordinateur. Encadrée par un expert reconnu dans le domaine (expérience pointue en recherche et collaboration avec des leaders comme NVIDIA), cette session couvre toutes les étapes clés, des architectures modernes (YOLO, Vision Transformers) à l’optimisation et au déploiement de modèles en production. Les participants bénéficieront de plusieurs ateliers pratiques : un dédié à la détection d’objets, les autres à l’optimisation des modèles pour des environnements industriels (quantification, déploiement GPU, etc.). En s’appuyant sur des cas concrets et des outils professionnels (OpenCV, CVAT), la formation aborde aussi les défis réels commela gestion des biais, l’annotation efficace ou l’intégration dans des pipelines existants. À l’issue, les collaborateurs formés disposeront non seulement de Jupyter notebooks prêts à l’emploi et d’un guide de déploiement, mais aussi d’une vision claire des bonnes pratiques
Tarif adhérent : € HT / participant
Tarif non adhérent : € HT / participant
Intra-entreprise : Sur devis
- Approfondir les architectures avancées (YOLO, Faster R-CNN, Vision Transformers).
- Optimiser et déployer des modèles pour des applications industrielles.
- Gérer les données et les biais spécifiques au domaine d’application.
Profil des béneficiaires
Pour qui
- Profils techniques
Prérequis
- Connaissances basiques en Python
Contenu de la formation
-
1. Introduction
- a. Limites des méthodes classiques (OpenCV) vs. Deep Learning.
- b. Cas d’usage industriels.
-
2. Fondamentaux
- a. Réseaux de neurones convolutifs (CNN)
- b. Transfer learning
- c. Métriques d’évaluation
- d. Augmentation de données
- e. Architectures avancées
-
3. Ateliers Pratiques
- a. Utilisation de PyTorch pour entraîner un modèle simple (ex : détection d’objets).
- b. Optimisation
- i. Quantification
- ii. Pruning
- iii. Déploiement sur GPU
- c. Déploiement et passage à l’échelle
- i. Intégration dans un pipeline de production (API, conteneurisation)
- ii. Bonnes pratiques
-
4. Conclusions
- a. Perspectives pour aller plus loin
Équipe pédagogique
-
Alexandre Zouaoui
- Description contenu
Ressources techniques et pédagogiques
- Sondage de maturité sur le sujet des personnes à former.
- Support de présentation (PDF illustré).
- Jupyter Notebooks réutilisables avec le code des ateliers.
- Questionnaire d’évaluation.
-
Capacité d’accueil
20 / formateur
-
Délai d’accès
- Description contenu