La vision par ordinateur (VA) est un domaine d'étude fascinant qui tente d'automatiser le processus d'attribution d'une signification aux images numériques ou aux vidéos. En d'autres termes, nous aidons les ordinateurs à voir et à comprendre le monde qui nous entoure ! Un certain nombre d'algorithmes et de techniques d'apprentissage automatique peuvent être utilisés pour accomplir des tâches de CV, et comme l'apprentissage automatique devient plus rapide et plus efficace, nous pouvons déployer ces techniques dans des systèmes embarqués. Ce cours, offert par un partenariat entre Edge Impulse, OpenMV, Seeed Studio, et la Fondation TinyML, vous permettra de comprendre comment l'apprentissage profond avec des réseaux neuronaux peut être utilisé pour classer des images et détecter des objets dans des images et des vidéos. Vous aurez l'occasion de déployer ces modèles d'apprentissage automatique dans des systèmes embarqués, ce qui est connu sous le nom d'apprentissage automatique embarqué ou TinyML. Il est conseillé d'être familier avec le langage de programmation Python et les concepts de base de l'apprentissage automatique (tels que les réseaux neuronaux, l'apprentissage, l'inférence et l'évaluation) pour comprendre certains sujets ainsi que pour mener à bien les projets. Quelques notions de mathématiques (lecture de tracés, arithmétique, algèbre) sont également requises pour les quiz et les projets. Si vous ne l'avez pas encore fait, il est recommandé de suivre le cours "Introduction to Embedded Machine Learning", qui couvre les concepts et le vocabulaire nécessaires pour comprendre le fonctionnement des réseaux de neurones convolutifs (CNN), et qui explique comment les utiliser pour classer des images et détecter des objets. Les projets pratiques vous donneront l'occasion d'entraîner vos propres CNN et de les déployer sur un microcontrôleur et/ou un ordinateur monocarte.
Vision par ordinateur avec apprentissage automatique intégré
Instructeur : Shawn Hymel
22 316 déjà inscrits
Inclus avec 
(136 avis)
Expérience recommandée
Ce que vous apprendrez
Comment former et développer un système de classification d'images à l'aide de l'apprentissage automatique ?
Comment former et développer un système de détection d'objets à l'aide de l'apprentissage automatique ?
Comment déployer un modèle d'apprentissage automatique sur un microcontrôleur ?
Compétences que vous acquerrez
- Catégorie : Programmation Informatique
- Catégorie : Programmation en Python
- Catégorie : Apprentissage automatique
- Catégorie : Microcontrôleur
- Catégorie : Développement de systèmes embarqués
Détails à connaître
Ajouter à votre profil LinkedIn
12 devoirs
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 3 modules dans ce cours
Dans ce module, nous présentons le concept de vision par ordinateur et la manière dont il peut être utilisé pour résoudre des problèmes. Nous verrons comment les images numériques sont créées et stockées sur un ordinateur. Ensuite, nous passons en revue les réseaux neuronaux et démontrons comment ils peuvent être utilisés pour classer des images simples. Enfin, nous vous accompagnons dans un projet visant à entraîner un classificateur d'images et à le déployer dans un système embarqué.
Inclus
13 vidéos15 lectures4 devoirs2 sujets de discussion
Dans ce module, nous examinons les bases des réseaux neuronaux convolutifs (CNN) et la manière dont ils peuvent être utilisés pour créer un modèle de classification d'images plus robuste. Nous examinons le fonctionnement interne des CNN (par exemple, la convolution et la mise en commun) ainsi que certaines techniques de visualisation utilisées pour voir comment les CNN prennent des décisions. Nous introduisons le concept d'augmentation des données pour aider à fournir plus de données au processus de formation. Vous aurez l'occasion d'entraîner votre propre CNN et de le déployer dans un système embarqué.
Inclus
9 vidéos13 lectures5 devoirs1 sujet de discussion
Dans ce module, nous aborderons les bases de la détection d'objets et nous verrons en quoi elle diffère de la classification d'images. Nous passerons en revue les mathématiques nécessaires pour mesurer les performances de la détection d'objets. Ensuite, nous présenterons plusieurs modèles populaires de détection d'objets et démontrerons le processus nécessaire pour entraîner un tel modèle dans Edge Impulse. Enfin, il vous sera demandé de déployer un modèle de détection d'objets dans un système embarqué.
Inclus
10 vidéos11 lectures3 devoirs1 sujet de discussion1 plugin
Instructeur
Offert par
Recommandé si vous êtes intéressé(e) par Apprentissage automatique
University of Colorado Boulder
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Avis des étudiants
136 avis
- 5 stars
77,94 %
- 4 stars
20,58 %
- 3 stars
1,47 %
- 2 stars
0 %
- 1 star
0 %
Affichage de 3 sur 136
Révisé le 22 avr. 2024
Thanks for helping me to upgrade my konwledge on computer vision and embedded machine learning
Révisé le 2 nov. 2022
3rd week was pretty fast and a lot more information can be added in it,
Révisé le 23 sept. 2021
Great course, Shawn always explains things in a clear and engaging way, with a strong focus on the application of the concepts. I'm definitely looking forward to more courses on embedded ML!
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
L'accès aux cours et aux devoirs dépend de votre type d'inscription. Si vous suivez un cours en mode audit, vous pourrez consulter gratuitement la plupart des supports de cours. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter l'expérience de certificat, pendant ou après votre audit. Si vous ne voyez pas l'option d'audit :
Il se peut que le cours ne propose pas d'option d'audit. Vous pouvez essayer un essai gratuit ou demander une aide financière.
Le cours peut proposer l'option "Cours complet, pas de certificat" à la place. Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.
Lorsque vous achetez un certificat, vous avez accès à tous les supports de cours, y compris les devoirs notés. Une fois le cours terminé, votre certificat électronique sera ajouté à votre page de réalisations. Vous pourrez alors l'imprimer ou l'ajouter à votre profil LinkedIn. Si vous souhaitez uniquement lire et visualiser le contenu du cours, vous pouvez l'auditer gratuitement.
Vous pouvez prétendre à un remboursement intégral jusqu'à deux semaines après la date de votre paiement ou (pour les cours qui viennent d'être lancés) jusqu'à deux semaines après le début de la première session du cours, la date la plus tardive étant retenue. Vous ne pouvez pas obtenir de remboursement une fois que vous avez obtenu un certificat de cours, même si vous terminez le cours pendant la période de remboursement de deux semaines. Consultez notre politique de remboursement complète.