Vision Industrielle & IA Embarquée : adapter, évaluer et déployer un modèle de détection en périphérie

Formation créée le 23/09/2026. Dernière mise à jour le 07/10/2026.
Version du programme : 1

Type de formation

Présentiel

Durée de formation

28 heures (4 jours)

Accessibilité

Oui
7 600,00 € HT
Envoyer ma demande
7 600,00 € HT
Envoyer ma demande
7 600,00 € HT
Envoyer ma demande
Besoin d’adapter cette formation à vos besoins ? N’hésitez pas à nous contacter afin d’obtenir un devis sur mesure ! Nous contacter

Vision Industrielle & IA Embarquée : adapter, évaluer et déployer un modèle de détection en périphérie


Quatre jours pour cadrer une inspection visuelle, préparer les images et annotations, adapter un détecteur préentraîné et mesurer son inférence sur une cible CPU. Ce parcours autonome de quatre jours accompagne les participants du cadrage d'une inspection visuelle industrielle à un prototype mesuré sur CPU. Il associe préparation des images et annotations, adaptation d'un modèle préentraîné, analyse des erreurs, export ONNX et mesures de latence et d'empreinte sur l'environnement réellement utilisé. Un seul cas d'inspection est suivi pendant les quatre jours. Le projet final consolide les livrables quotidiens plutôt que de démarrer une nouvelle application. Il vise la réalisation et l'explication d'un prototype à partir de données, scripts et environnement préparés : il ne garantit ni une autonomie sur toute cible matérielle, ni une solution validée en production. À noter : Ce programme de formation est adaptable sur mesure en fonction du profil technique et des enjeux spécifiques de votre entreprise. Intra-entreprise sur site ou distanciel Tarif adhérent : 7600€ HT / entreprise Tarif non-adhérent : 8900€ HT / entreprise

Objectifs de la formation

  • Cadrer une tâche de détection et constituer des jeux d'entraînement, de validation et de test sans fuite entre lots ou acquisitions proches.
  • Adapter un détecteur préentraîné, comparer deux configurations sur la validation et justifier un seuil à partir du coût des erreurs.
  • Exporter le modèle en ONNX, vérifier ses sorties et mesurer qualité, latence et empreinte mémoire sur la cible CPU identifiée.
  • Proposer et défendre un projet de pilote : protocole de validation terrain, surveillance, gestion des versions et vérification des droits d'usage.

Profil des bénéficiaires

Pour qui
  • Ingénieurs data/ML et logiciel souhaitant adapter puis déployer des modèles de vision hors du cloud.
  • Ingénieurs embarqués, IoT et R&D concernés par l'inspection visuelle industrielle.
  • Ingénieurs produit et architectes techniques pratiquant le développement et définissant des systèmes de vision edge.
  • Les profils exclusivement fonctionnels sont orientés vers une sensibilisation distincte.
Prérequis
  • Python au niveau pratique : lire, exécuter et modifier un script, manipuler fonctions, tableaux et fichiers. C/C++ seul ne remplace pas ce prérequis.
  • Comprendre moyenne, dispersion et lecture de graphiques. Distinguer entraînement, inférence et évaluation. Notions de classification et d'annotation d'images.
  • Les réseaux convolutifs, la détection d'objets et le transfert d'apprentissage sont expliqués pendant la formation. Aucune expérience préalable de YOLO ou d'ONNX n'est requise.
  • Environnement local ou distant validé avant la session (contrôle technique à J−7 en distanciel, hors des 28 heures).

Contenu de la formation

Jour 1 : Cadrer l'inspection et préparer les images
  • Apports : architectures cloud, edge et embarqué selon latence, mémoire, connectivité et confidentialité. Distinction entre classification, détection et segmentation. Généralisation, surapprentissage et limites d'un modèle préentraîné.
  • Méthodes et étude de cas : traduction d'un besoin d'inspection en tâche de détection et critères de réussite. Contrôle des annotations et correction d'un échantillon.
  • Mise en pratique guidée : inspecter les images, séparer les données par lot, objet ou acquisition avant augmentation, et établir le manifeste des partitions.
  • Mise en pratique guidée : exécuter une inférence préentraînée pour comprendre les sorties. Si les classes ne correspondent pas aux défauts visés, ne pas la présenter comme une référence de performance métier.
  • Synthèse : définir des critères d'acceptation du pilote — sans promettre de les atteindre pendant la formation — et formaliser le livrable J1.
  • Contrôle individuel : expliquer une fuite de données possible et justifier son découpage.
Jour 2 : Adapter le détecteur et analyser les erreurs
  • Apports : réseaux convolutifs, transfert d'apprentissage, couches gelées, hyperparamètres et régularisation. Précision, rappel, IoU et mAP.
  • Mise en pratique guidée : lancer un entraînement court d'un petit modèle YOLO d'Ultralytics sur les images préparées.
  • Mise en pratique guidée : examiner faux positifs et défauts manqués sur la validation, modifier un seul facteur justifié et comparer une seconde itération sur la même validation.
  • Méthodes : corriger les données d'entraînement sans contaminer les partitions. Régler le seuil sur la validation et réserver le test au bilan final, après gel du protocole.
  • Synthèse : formaliser le journal des expériences dans le livrable J2.
  • Contrôle individuel : expliquer une différence de résultats et défendre le seuil retenu — un gain n'est ni garanti ni exigé.
Jour 3 : Exporter et mesurer l'inférence sur CPU
  • Apports : format ONNX, prétraitement, post-traitement et compatibilité des opérateurs selon la cible.
  • Mise en pratique guidée : exporter le modèle, l'exécuter avec ONNX Runtime sur Linux CPU et comparer les sorties sur les mêmes images.
  • Mise en pratique guidée : mesurer avec échauffement et répétitions. Documenter matériel, taille d'entrée et nombre de threads. Distinguer latence du modèle et de la chaîne complète, taille du fichier et mémoire utilisée.
  • Démonstration : quantification INT8 préparée — calibration distincte du test, compromis qualité/latence et absence de garantie de gain. La quantification réalisée par les participants, les NPU et Jetson sont des extensions, non des exigences de validation.
  • Synthèse : bilan final sur le jeu de test sans nouveau réglage et livrable J3.
  • Contrôle individuel : distinguer mesure obtenue et performance supposée sur une autre cible.
Jour 4 : Consolider le prototype et défendre le pilote
  • Apports : cycle de vie des données et des modèles, dérive, versionnement, contrôle d'accès, intégrité des artefacts, retour arrière et licences du code, des poids et des données.
  • Consolidation en binôme : reprendre les livrables J1–J3 pour formaliser architecture, données à collecter, critères d'arrêt et d'acceptation et protocole de validation terrain. Pas de nouvelle chaîne d'entraînement à développer.
  • Présentations et contrôles individuels : exposer les choix, les résultats, les limites et les arbitrages. Distinguer les éléments démontrés des hypothèses à vérifier.
  • Remédiation : reprise ciblée et nouvelle vérification des points non acquis.
  • Synthèse : formaliser le dossier de pilote et le plan personnel de transposition dans le livrable J4.

Équipe pédagogique

Hammouche Hamza – Formateur IA Proovup – hhammouche@proovup.com Stéphane MOSNIER – Référent pédagogique – s.mosnier@digital-league.org // 07 62 42 23 23 Julia DELRIEU – Référente handicap – j.delrieu@digital-league.org Quentin POYET – Référent administratif et financier – q.poyet@digital-league.org

Suivi de l'exécution et évaluation des résultats

  • Feuilles de présence émargées par demi-journée.
  • Exercices et mises en pratique pendant la formation.
  • Livrables évalués à partir des résultats effectivement obtenus : métriques de qualité, latence et empreinte mesurées sur l'environnement utilisé, dont la nature est explicitement documentée.
  • Évaluation sur quatre critères (données et protocole, méthode et interprétation, déploiement et limites, pilote et transfert), cotés de 0 à 3. Validation à partir de 2 sur chaque critère, confirmée par les contrôles individuels. Une fuite de données ou une confusion hôte/cible n'est pas compensée par une moyenne.
  • Remédiation dans les temps prévus : retour ciblé, reprise et nouvelle vérification. Objectifs non acquis consignés au bilan individuel.
  • Autoévaluation sur les objectifs et formulaires d'évaluation de la formation.
  • Point individuel J+30 : plan de transposition au cas d'usage du stagiaire.
  • Certificat de réalisation de l'action de formation, attestant la participation et non une certification de compétence.

Ressources techniques et pédagogiques

  • Support de cours couvrant les fondements, méthodes et limites, notebooks et scripts des TP (préparation des images, adaptation du détecteur, export ONNX et mesures d'inférence) avec corrigés, fiches de synthèse des métriques, manifeste d'environnement, trames de cadrage, de mesure et de dossier de pilote, tableau comparatif des outils et licences, livrables et bilan individuel.
  • Données et poids fournis ou référencés selon leurs droits de redistribution.

Délai d'accès

3 semaines

Accessibilité

Les personnes en situation de handicap souhaitant suivre cette formation sont invitées à nous contacter directement, afin d'étudier ensemble les possibilités de suivre la formation.