L'Atelier Monstre

Ce projet présente une solution complète de détection d'objets sur le bord (edge AI), illustrant un pipeline technique de bout en bout allant de l'entraînement du modèle de deep learning à son déploiement sur un dispositif embarqué. Le système utilise YOLOv5 comme algorithme de détection principal, entraîné et déployé via le framework PyTorch, ...

Inspection des réseaux électriques : déploiement pratique du modèle LSKF-YOLO pour la détection des pylônes Sur d'immenses territoires, les pylônes électriques dispersés forment le réseau artériel qui alimente notre société moderne. Les méthodes traditionnelles d'inspection, basées sur des patrouilles humaines ou des drones, présentent des limi ...

L'analyse de mise en page de documents vise à résoudre un problème fondamental : extraire et structurer automatiquement les différentes régions d'un document numérisé. Le modèle PP-DocLayoutV3 excelle particulièrement dans la détection fine, capable d'identifier et d'annoter séparément plusieurs sous-figures distinctes (souvent étiquetées (a), ...

Le projet YOLOv5, développé par Ultralytics, est une soultion avancée et performante pour la détection d'objets en temps réel. Basé sur le framework PyTorch, il vise à offrir une approche rapide, précise et facile à intégrer pour diverses tâches de vision par ordinateur, y compris la détection d'objets, la segmentation d'instances et la classif ...

Amélioration de YOLO pour la détection et le suivi de véhicules et piétons Les systèmes de transport intelligents jouent un rôle crucial dans les villes modernes, nécessitant une détection et un suivi précis des véhicules et piétons pour gérer la congestion et prévenir les accidents. Les méthodes traditionnelles basées sur des caractéristiques ...

Présantation du projet Nous allons analyser les performances d'un système de détection de téléphones mobiles basé sur l'architecture DAMO-YOLO, optimisé pour les environnements à faible puissance de calcul. L'objectif est de déterminer précisément les besoins en ressources matérielles (GPU, VRAM, CPU) de cette application d'inférence légère. En ...

Détection d'objets avec Python et Deep Learning : Guide ultime de YOLO et Faster R-CNN Dans le domaine de la vision par ordinateur, la détection d'objets constitue une tâche fondamentale permettant à un système d'identifier automatiquement les objets présents dans une image et de déterminer leur position. Le projet "Deep Learning with Pyth ...

Synergie entre YOLO et SAM en Vision par Ordinateur L'association de YOLO (You Only Look Once) et du Segment Anything Model (SAM) crée une synergie puissante pour l'analyse d'images. Tandis que YOLO excelle dans la détection rapide d'objets, SAM se distingue par sa capacité à segmenter avec une grande précision. En combinant ces deux architectu ...

Détection et classification d'objets en vision par ordinateur En vision par ordinateur, la détection et la classification d'objets consistent à permettre à un système d'identifier et de catégoriser des éléments dans une image. L'essor de l'apprentissage profond a popularisé les Réseaux de Neurones Convolutifs (CNN), efficaces pour extraire des ...

Contexte et signification Avec l'urbanisation croissante, la surveillance du trafic et la prévention des accidents sont devenues essentielles. Les technologies de détection de piétons et véhicules jouent un rôle clé dans les systèmes de transport intelligents. L'utilisation de l'apprentissage profond a permis d'améliorer significativement la pr ...