De CNN à YOLO avec PyTorch — Maîtrisez la vision par ordinateur et devenez expert en Deep Learning appliqué aux images.
9Séances live
20hde formation
IntermédiaireNiveau
12 000DA / mois
9
Séances live
20h
de formation
ML + Python
Prérequis conseillés
12 000 DA
par mois
Date limite
11 Juillet 2026
1ère séance
Lun. 13 Juil. 2026
Horaires
Lun. & Jeu. 18h–19h30
Durée séance
10 séances de 2h
Technologies abordées
Python PyTorch OpenCV CNN YOLO ResNet / VGG Transfer Learning Google Colab
Programme
Les 10 Séances en détail
100% sur Google Colab — aucune installation requise.
Un compte Google et un navigateur web suffisent. Toutes les expérimentations s'effectuent en live sur GPU Colab.
Prérequis conseillés : Des bases en Python et en Machine Learning sont recommandées pour suivre cette formation dans les meilleures conditions.
Pas encore de bases ? Commencez par notre formation Machine Learning →
1
Introduction au Machine Learning
Fondations de l'IA et du ML
Différences entre IA, Machine Learning et Deep Learning
Apprentissage supervisé, non supervisé et par renforcement
Classification, régression et projet ML
Cycle complet d’un projet Machine Learning
Partition des données : training / validation / test
Overfitting vs underfitting
TP : classification avec un dataset d’exemple
2
Artificial Neural Networks (ANN)
Mécanismes d’un réseau de neurones
Structure d’un neurone artificiel
Architecture d’un réseau de neurones
Fonctions d’activation et fonction de perte
Backpropagation et optimisation
TP : implémentation d’un réseau de neurones simple
3
Convolutional Neural Networks (CNN)
Bases des CNN pour les images
Limites des réseaux classiques pour l’imagerie
Convolution, filtres, feature maps
Stride, padding et pooling
Architecture d’un CNN
TP : mise en œuvre d’un CNN simple
4
Premier CNN sur MNIST
Apprentissage et évaluation d’images
Présentation du dataset MNIST
Préparation des images pour le modèle
Entraînement, validation et métriques
TP : classification d’images avec MNIST
5
Architectures CNN modernes
LeNet, AlexNet, VGG16, ResNet
Évolution des architectures CNN
LeNet et AlexNet : premiers succès
VGG16, ResNet et blocs résiduels
Introduction aux FCN, U-Net et Mask R-CNN
TP : exploration des architectures CNN
6
OpenCV et traitement d’images
Techniques de base pour la vision
Introduction à OpenCV
Représentation des images et espaces couleurs
Filtrage, contours et détection de formes
TP : traitement d’images avec OpenCV
7
Transfer Learning
VGG16, ResNet et fine-tuning
Pourquoi utiliser un modèle pré-entraîné ?
Feature extraction et fine-tuning
Avantages et limites du Transfer Learning
TP : classification d’images avec Transfer Learning
8
Détection d’objets — YOLO
Localiser les objets en temps réel
Classification vs détection d’objets
Bounding boxes, IoU et NMS
Principe et architecture de YOLO
Applications temps réel
TP : détection d’objets avec YOLO
9
Mini-projet guidé
Conception et exécution d’un projet CV
Méthodologie d’un projet Computer Vision
Choix du dataset et du modèle
Évaluation des résultats
TP : réalisation d’un mini-projet (classification, détection ou segmentation)
10
Présentation des projets et bilan
Restitution et perspectives
Présentation des projets réalisés
Analyse des résultats et axes d’amélioration
Discussion des perspectives en Computer Vision
Bilan des notions abordées et prochaines étapes professionnelles
Inclus
Ce que vous obtiendrez
10 séances en direct (2h chacune) sur Google Colab
Formation : Computer Vision & Deep Learning — De CNN à YOLO avec PyTorch Début :lundi 13 Juillet 2026 à 18h00 Date limite :11 Juillet 2026 Horaires :tous les lundi et jeudi de 18h00 à 20h00 Durée : 5 semaines (10 séances de 2h) Prix : 12 000 DA/mois (étudiants) — 15 000 DA/mois (professionnels)
