Ces dernières années le monde du open source a beaucoup apporté à la communauté de l’intelligence artificielle. Proposant des outils et des frameworks qui ont contribués considérablement à la recherche dans ce domaine.
Dans cet article je vous présente 5 projets intéressants que j’utilise régulièrement.
1. Yolov5
En tant qu’ingénieur en computer vision, le premier projet open source qui me vient en tête est forcément YOLO.
YOLOv5 (You Only Look Once) est un modèle Open Source de référence pour la détection automatique d’objets. Il constitue la 5ème version du framework YOLO proposé en 2015 par Joseph Redmond et al.
YOLO est un modèle de détection de bout en bout, c’est à dire que l’on a un seul modèle qui combine la détection de l’objet et la classification.
Vous pouvez facilement ré-entraîner le modèle avec vos propres données annotées, soit en utilisant l’architecture uniquement, soit en utilisé des modèles pré-entraînés.
Le projet sur github compte plus de 200 contributeurs et est mise à jour régulièrement.
Si vous avez besoin d’aide avec YOLO contactez-moi.
2. Deep Sort
Deep sort est un projet ambitieux proposé initialement pour faire du tracking de personnes dans une vidéo. C’est un problème plus poussée que la détection simple, car ici en plus de détecter la personne le modèle lui affecte un id unique.
Ce modèle repose sur 2 réseaux de neurones. Un premier réseau de neurones, similaire à celui de YOLO, permet de détecter les personnes dans l’image. Le second réseau est un features extractor, il repose sur des opérations de convolution et sert à determiner les caractéristiques de la personne.
En mesurant la distance entre les différents vecteurs de caractéristiques et en la combinant avec une approche temporelle (d’une frame à l’autre la personne n’avance pas énormément et donc les détections sont proches, on peut utiliser une métrique appelée l’IoU), on peut tracker de façon assez précise les personnes dans une vidéo.
3. Tensorflow
Tensorflow est l’un des frameworks de deep learning les plus utilisés. Associé à la surcouche Keras proposé par François Chollet, le deep learning est rendu beaucoup plus simple.
Tensorflow permet d’entraîner un modèle de deep learning en quelques lignes et facilite de nombreuses étapes de preprocessing des données.
Dans cet article nous avions travaillé avec ce framework pour entraîner un modèle de classification des images de la base fashion MNIST.
4. PyTorch
PyTorch a aussi été révolutionnaire pour le deep learning. Initialement proposé par Facebook pour accélérer la recherche en intelligence artificielle, il a été rapidement adopté dans toutes les industries. Il est moins intuitif que Tensorflow mais il est permet de personnaliser plus facilement les modèles.
5. Open Pose
Le projet Open Pose est un projet de computer vision open source qui propose un modèle pré-entraîné d’estimation de poses humaines multi-person. L’estimation de poses est une technique de vision par ordinateur qui permet de détecter dans une image les positions des articulations d’un corps humain.
Le projet open pose, proposé initialement par CMU labs, compte 92 contributeurs sur github.
J’ai travaillé avec cet outil dans le cadre d’un projet avec l’équipe de France de boxe, et je peux confirmer la robustesse du modèle !
Leave a Comment