Chefs de projet, développeurs, ingénieurs et techniciens en environnement industriel souhaitant utiliser la bibliothèque OpenCV et les plateformes Jetson pour le traitement d'images et de vidéos (contrôle qualité, détection de défauts, inspection visuelle, robotique).
Comprendre le fonctionnement d'OpenCV, savoir transformer des images, utiliser les fonctionnalités d'IA d'OpenCV dans l'analyse d'images, déployer des modèles de vision sur plateforme embarquée NVIDIA Jetson dans un contexte industriel.
Connaissance d'un langage de programmation comme Python, Java ou C++. Les exercices sont réalisés en Python sur cartes Jetson.
|
| Introduction |
Durée : 2h
Méthodes pédagogiques : exposé/échanges
Matériels et moyens : video-projecteur en présentiel, tableau partagé en classe virtuelle | Présentation d'OpenCV. Historique, fonctionnalités, versions, licence (Apache 2.0).
Site de référence, documentation disponible.
Principes de base de la vision par ordinateur
Positionnement d'OpenCV par rapport aux autres solutions du marché
Cas d'usage industriels : contrôle qualité, inspection, métrologie, robotique, surveillance
|
|
| Présentation de la plateforme NVIDIA Jetson |
Durée : 2h
Méthodes pédagogiques : exposé/échanges
Matériels et moyens : video-projecteur en présentiel, tableau partagé en classe virtuelle | Gamme Jetson : Nano, Orin Nano, Orin NX, AGX Orin
Architecture matérielle : GPU CUDA, accélérateurs DLA, interfaces caméras (CSI, USB, GigE Vision)
JetPack SDK : composants (CUDA, cuDNN, TensorRT, VPI, OpenCV)
Choix d'une carte Jetson selon les contraintes industrielles
|
|
| Mise en pratique OpenCV sur Jetson |
Durée : 5h30
Méthodes pédagogiques : alternance de théorie et de travaux pratiques
Matériels et moyens : vidéo-projecteur en présentiel, tableau partagé en classe virtuelle, infrastructure distribuée serveurs Linux | Installation et configuration d'OpenCV avec support CUDA Atelier : Exemples simples sur Jetson : lecture, affichage, enregistrement d'images
Atelier : Capture vidéo depuis une caméra industrielle
|
|
| Manipulation d'images |
Durée : 3h30
Méthodes pédagogiques : alternance de théorie et de travaux pratiques
Matériels et moyens : vidéo-projecteur en présentiel, tableau partagé en classe virtuelle, infrastructure distribuée serveurs Linux | Bases du traitement d'images :
Opérations sur les matrices
Les espaces de couleurs : RGB, CMYK, HSV, niveaux de gris
La segmentation d'imagesAtelier : Exemple de seuillage avec OpenCV
Conversion d'une image en binaire. Histogramme d'une image.
Les opérateurs binaires (NOT, AND, OR, XOR) : utilisation pour la fusion d'images
Filtrage, morphologie mathématique, détection de contours (Canny, Sobel)
|
|
| Classificateurs et IA |
Durée : 7h
Méthodes pédagogiques : alternance de théorie et de travaux pratiques
Matériels et moyens : vidéo-projecteur en présentiel, tableau partagé en classe virtuelle, infrastructure distribuée serveurs Linux | Principe, différents classificateurs disponibles avec OpenCV
Exemples : détection de formes, de contours, de visages
Module DNN d'OpenCV : chargement de modèles pré-entraînés (ONNX, Caffe, TensorFlow)
Deep Learning avec PyTorch
Introduction à TensorRT pour l'optimisation et l'accélération de l'inférence sur JetsonAtelier : Classification d'images sur machine Jetson
Atelier : Détection d'objets avec un modèle de type YOLO
Atelier : Optimisation d'un modèle avec TensorRT et comparaison des performances
|
|
| Mise en œuvre industrielle |
Durée : 1h30
Méthodes pédagogiques : exposé/échanges
Matériels et moyens : video-projecteur en présentiel, tableau partagé en classe virtuelle | Intégration dans une chaîne de production
Communication avec un automate ou un système de supervision
Bonnes pratiques : robustesse, éclairage, calibration, performance temps réel
|
