Vision par ordinateur pour débutants : Construire un classificateur d'images

La vision par ordinateur permet à l'IA de comprendre et de traiter les informations visuelles. Ce guide vous accompagne dans la construction de votre premier classificateur d'images.

Qu'est-ce que la vision par ordinateur ?

La vision par ordinateur est le domaine de l'IA qui apprend aux ordinateurs à interpréter et comprendre le monde visuel. Les applications incluent :

• Classification d'images (qu'y a-t-il sur cette photo ?)
• Détection d'objets (où sont les objets ?)
• Segmentation d'images (quels pixels appartiennent à quel objet ?)
• Reconnaissance faciale (qui est cette personne ?)

Configuration

pip install tensorflow matplotlib numpy pillow

Chargement des données

Nous utiliserons le jeu de données CIFAR-10 (60 000 images couleur 32x32 en 10 classes) :

import tensorflow as tf
from tensorflow import keras

(x_train, y_train), (x_test, y_test) = keras.datasets.cifar10.load_data()

# Normaliser les valeurs des pixels
x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255

Construction d'un réseau de neurones convolutionnel

model = keras.Sequential([
    keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(32,32,3)),
    keras.layers.MaxPooling2D(2,2),
    keras.layers.Conv2D(64, (3,3), activation='relu'),
    keras.layers.MaxPooling2D(2,2),
    keras.layers.Flatten(),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

Entraînement

history = model.fit(
    x_train, y_train,
    batch_size=64,
    epochs=10,
    validation_data=(x_test, y_test)
)

Utiliser le transfert d'apprentissage

Pour de meilleurs résultats avec moins de données, utilisez un modèle pré-entraîné :

base_model = keras.applications.MobileNetV2(
    input_shape=(224,224,3),
    include_top=False,
    weights='imagenet'
)
base_model.trainable = False  # Geler les couches de base

model = keras.Sequential([
    keras.layers.Resizing(224,224),
    base_model,
    keras.layers.GlobalAveragePooling2D(),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

Détection d'objets avec YOLO

Pour détecter plusieurs objets dans une image, utilisez YOLO (You Only Look Once) :

pip install ultralytics
yolo predict model=yolov8n.pt source='image.jpg'

Application concrète : Agriculture marocaine

Une équipe de chercheurs marocains a construit un système de vision utilisant le transfert d'apprentissage qui :

• Identifie les maladies des cultures à partir de photos de smartphones
• Atteint 94% de précision sur les variétés locales
• Fonctionne hors ligne sur les appareils mobiles
• Aide les agriculteurs à diagnostiquer les problèmes précocement

Prochaines étapes

• Essayez le traitement vidéo en temps réel
• Construisez une application mobile avec vision embarquée
• Explorez la génération d'images avec les modèles de diffusion

Notre « AI Builder Bootcamp » couvre la vision par ordinateur avec des projets concrets.