Programme — Vision par ordinateur appliquée

Un état des lieux des tâches, des familles de modèles et des niveaux de maturité de la vision par ordinateur, pour cadrer les choix techniques du reste de la formation.

Construire un pipeline de données image reproductible : acquisition, prétraitement, augmentation, annotation et versioning, avant même de choisir un modèle.

Construire un classifieur d'images performant en s'appuyant sur le transfer learning, et choisir les bonnes métriques pour juger sa qualité avant mise en production.

Comment un modèle localise et compte les objets dans une image : boîtes, filtrage, métriques, suivi léger dans le temps et catalogue des erreurs récurrentes.

Comment un pipeline moderne transforme un document scanné en données structurées exploitables, et pourquoi la détection de layout et la validation pèsent plus que la reconnaissance de caractères elle-même.

Comprendre comment un modèle vision-langage relie image et texte dans un même espace de représentation, et savoir concevoir des prompts visuels qui exploitent réellement cette capacité sans se heurter à ses limites.

Comprendre comment les biais, la dérive et les défauts d'annotation dégradent silencieusement un modèle de vision par ordinateur, et savoir les détecter avant qu'ils ne coûtent cher en production.

Choisir entre inférence locale, cloud ou architecture hybride selon la latence, la connectivité et la confidentialité, puis réduire et opérer un modèle de vision en production.

Comment les briques de détection, classification et OCR vues dans ce module se combinent en systèmes réels de contrôle qualité, de tri logistique et de maintenance visuelle, avec leurs contraintes de coût d'erreur et de déploiement.