computer vision
On peut composer (ou décomposer) les étapes de résolution de problématique en computer
vision en 9 étapes :
1- Acquisition des données :
Importation de base de donnée de data set existant.
Capturer les images ou les vidéos à partir de caméra, drones
2- Prétraitement des données :
Redimensionnement des images, Rehaussement (Euhaucement)(Amélioration de
la qualité visuelle, contraste, filtrage(supprimer les bruits), liminosité)
Detection de contour
L'augmentation de données (zoom)
Type Exemples d’utilisation Avantages Inconvénients
d’apprentissage
Supervisé - Classification d’image - Haute précision - Nécessite beaucoup de
- Détection d’objet - Apprentissage données
- Segmentation médicale rapide - l’annotation est
Modèles : SVM, Random coûteuse
Forest, Decision Tree,
CNN, ResNet, Yolo
Non supervisé - Détection d’anomalie - Ne nécessite pas - Nécessite des datasets
- Compression d’image l’annotation de très grande taille
- Clustering - Permet de parfois difficiles à
Modèles : k-means, découvrir de interpréter
DBSCAN, PCA structures cachées
Semi-supervisé - Classification d’image - Réduit le besoin - Très sensible à la
- Segmentation d’annotation (20%) qualité des données
- Analyse de documents - Bonnes non annotées
Modèles : Fixematch, performances pour
pseudo-labelling découvrir des
structures cachées
- Précision accrue
1
3- L’étiquetage des données (annotation) : (cas d’apprentissage supervisé ou semi-supervisé)
Les images ou une partie des images seront annotées. Cette étape englobe les trois sous-étapes
suivantes : classification, segmentation et détection d’objet.
Classification : attribuer une étiquette par image.
Segmentation : exp : attribuer une classe à chaque pixel de l’image, par exemple dans
le cas de la maladie de plante, on segmente l’image selon :
o pixel appartenant à une feuille (classe = feuille)
o pixel appartenant à la tige (classe = tige)
o pixel appartenant à la fleur (classe = fleur)
o pixel appartenant au fruit (classe = fruit)
App supervise Dataset étiquetté
caractère Résultat
C1 malade /n.m
Étapes de traitement
1. Acquisition de données
2. Pré-traitement (étape très importante)
3. Étiquetage / Annotation
4. Division des datasets
5. Extraction des caractéristiques
6. Choix du modèle
7. Entraînement
8. Évaluation
9. Déploiement
2
Apprentissage par renforcement (Reinforcement Learning) :
L’apprentissage par renforcement est une branche de l’IA où un agent apprend à prendre des
décisions en interagissant avec son environnement.
Son objectif : maximiser sa récompense cumulative au fil du temps.
Principes de base d’apprentissage par renforcement :
Agent : celui qui prend la décision
Environnement : le contexte d'action
État (State) : la situation actuelle
Action : ce que l’agent peut faire dans un état donné
Récompense (Reward) : retour reçu pour l’évaluation de l’action
Politique (Policy) : stratégie utilisée pour choisir les actions
Fonction de valeur : estimation de la qualité d’un état/action à long terme
Remarque : L’apprentissage se base sur le principe Essai – Erreur : l’agent expérimente
des différentes actions, observe les conséquences et ajuste sa politique pour maximiser
sa récompense cumulative (robots des commandes Amazon jeux+ordinateurs).
Application : Robot mobile pour la navigation dans un appartement autonome :
Agent : le robot
Environnement : l’appartement (espace physique) (murs, meubles, portes, personnes)
État : position du robot (x, y), en mouvement
Action : avancer, reculer, tourner (droite, gauche), ajuster la vitesse
Récompense :
+10 : une action correcte (destination).
10 : en cas de collision
Politique : (composé de plusieurs actions qui ont le même objectif)
C’est la stratégie qui suivie par le robot pour décider les actions.
Fonctions de valeurs : elle aide l’agent à prédire et estimer la récompense future s’il suit
une stratégie bien déterminée.
3
4 - Division des Data set :
Donnée d’entraînement (Training set) :
Utilisée pour faire apprendre le modèle.
Représente 70% – 80% du dataset.
Sert à ajuster les poids pendant l'apprentissage.
Donnée de Validation (Validation set) :
Utilisée pour valider le modèle pendant l’apprentissage,
ajuster les hyperparamètres.
Représente 10% – 15% du dataset.
Donnée de Test (Test set) :
Utilisée pour l’évaluation finale après l'entraînement.
Pour mesurer la performance de modèle
Représente 10% – 15% du dataset.
4
Résumé du cours de Computer Vision
1. Acquisition des données
Importation de jeux de données existants
Capture d'images/vidéos à partir de caméras, drones, etc.
2. Prétraitement des données
Redimensionnement
Amélioration de la qualité (contraste, luminosité, filtrage du bruit)
Détection de contours
Augmentation de données (zoom, rotations, etc.)
3. Annotation des données (Étiquetage)
Classification : 1 étiquette par image (ex : chien, chat)
Segmentation : chaque pixel classé (ex : feuille, tige, fruit)
Détection d’objets : localisation d'objets via des boîtes englobantes
4. Types d'apprentissage
Type Exemples Modèles Avantages Inconvénients
Classification, CNN, SVM, Haute précision, Nécessite beaucoup de
Supervisé
détection YOLO, ResNet rapide données annotées
Non- Clustering, k-means, Pas besoin
Moins interprétable
supervisé compression DBSCAN, PCA d’annotation
FixMatch, Moins
Semi- Segmentation, doc Sensible à la qualité
pseudo- d'annotation
supervisé analysis des données
labelling requise
5
5. Apprentissage par renforcement
L'agent interagit avec son environnement pour maximiser une récompense
Concepts clés :
o Agent : celui qui agit
o État : situation actuelle
o Action : choix possible
o Récompense : feedback (positif ou négatif)
o Politique : stratégie de décision
o Fonction de valeur : estime la qualité d’une action à long terme
6. Division du dataset
Type de données Pourcentage approx. Rôle
Entraînement 70-80% Apprentissage du modèle
Validation 10-15% Réglage des hyperparamètres
Test 10-15% Évaluation finale
7. Étapes complètes d’un projet de computer vision
1. Acquisition des données
2. Prétraitement
3. Annotation
4. Division du dataset
5. Extraction des caractéristiques
6. Choix du modèle
7. Entraînement
8. Évaluation
9. Déploiement
6
