DLCV2.4 | On récapitule tout

Par souci de clarté, je récapitule tout ici (modalités d’évaluation, exécution des codes d’évaluation, etc.). Comme ça, pas besoin d’aller vous perdre dans les différents sujets. 2024 ne fait que commencer… Contraintes de rendu Bonjour, bonjour ! Une nouvelle année commence, et quoi de mieux pour commencer l’année qu’un peu d’analyse qualitative et quantitative de YOLO sur notre super dataset ? L’évaluation de la matière deep learning sera faite sur une vidéo :

DLCV2.3 | Tadaaaam !

Présentation Bonjour, bonjour ! Aujourd’hui, l’objectif est d’évaluer les performances de YOLOv8 sur le dataset qu’on a construit ensemble. On ne sera que deux encadrant.e.s pour les trois groupes, alors ça va être sportif. Mais YOLO, on a pas peur. Comme indiqué dans le sujet de présentation, vous devrez rendre début janvier une vidéo d’une dizaine de minutes qui décrit votre travail de TP, et votre analyse des performances de YOLO sur le dataset.

DLCV2.2 | Le Bingo de YOLO !

Ce sujet est déjà dépassé : je rédige le sujet de la séance du jour en fonction de ce qui s’est passé à la précédente. Donc il y a des trucs ici qui ne sont plus valides. Allez voir “DLCV2 | Tadaaaam !”. Présentation Bonjour, bonjour ! Aujourd’hui, plusieurs objectifs : finir le dataset ; faire le split train/val/test ; développer une application de détection et visualisation dans un flux vidéo ; manipuler un apprentissage de YOLOv8.

DLCV 2ème édition | Présentation

🕺 Eeeeet zééé bartiiii pour la deuxième édition du cours de Deep Learning en 5-SDBD. L’année dernière a été un franc succès, alors j’ai hâte qu’on s’y remette cette année 😄 Objectifs pédagogiques L’objectif de ces séances de travaux pratiques est de toucher à toutes les étapes de l’ingénierie du deep learning, à savoir : l’acquisition et l’annotation de données, l’apprentissage de réseaux de convolution, l’évaluation des performances de la tâche apprise, la visualisation des résultats obtenus.

DLCV2.1 | All you need is data

Ce sujet est déjà dépassé : je rédige le sujet de la séance du jour en fonction de ce qui s’est passé à la précédente. Donc il y a des trucs ici qui ne sont plus valides. Tout ce dont vous avez besoin pour entrainer un détecteur d’objets est d’avoir des données qui représentent ces objets. Et de les nettoyer (les données, pas les objets). Et de les trier. Et de les annoter.

3DP-TP-00 | Segmentation de nuages de points 3D par capteur à lumière structurée RGB-D avec CloudCompare

Contrôle qualité d’objets 3D.

DLCV-TP-00 | Présentation

Vous êtes sur la version 2022-2023 du TP. Je la laisse en guise d’archive, pour garder trace de l’Histoire, c’est important. Le détecteur de vos prédécesseurs ne sera ainsi jamais oublié ❤️. Objectifs pédagogiques L’objectif de ces séances de travaux pratiques est de toucher à toutes les étapes de l’ingénierie du deep learning, à savoir : l’acquisition et l’annotation de données, l’apprentissage de réseaux de convolution, l’évaluation des performances de la tâche apprise, la visualisation des résultats obtenus.

DLCV-TP-10* | Voyons...

*oui, je compte en binaire. On sait s’amuser par ici. Previously on “DLCV Practical sessions”… Il est beau le dataset Répartition des classes Grâce à nous tou·te·s, on a construit un beau dataset qui nous permet de détecter plein de classes d’objets très utiles. Le tableau ci-dessous indique le nombre d’images et la répartition des différentes classes entre les ensembles de train, validation et test : Analyse des labels La quantité de labels par image et leur forme varie en fonction des classes annotées.

DLCV-CM-00 | De l'I.A. au deep learning

Objectifs pédagogiques Ce premier cours a pour objectif de répondre aux trois questions suivantes autour du deep learning : à quoi ça sert ? pourquoi c’est techniquement intéressant ? quels en sont les grands principes ?

DLCV-CM-01 | Deep dive into object detection

DLCV-TP-01 | Le Bingo de YOLO !

Présentation L’objectif du TP du jour est d’utiliser le dataset construit la semaine dernière pour entrainer YOLOv5 à détecter les classes d’objets annotées. Voyez-le comme une grille de Bingo à remplir. Plus vous en validez, mieux c’est. Attention, “la moulinette des labels” et “split, split, split” sont nécessaires pour lancer l’apprentissage en fin de séance. Considérez-les comme la quête principale. Si vous avez le temps, réalisez les quêtes annexes : “seeing data augmentation”, “et la valeur du poids est…”, “detect with coco.

3DP-TP-01 | Localisation monoculaire par PnL itérative

Iterative estimation of a camera extrinsic parameters.