Formation ? l'IA et ? l'IoT avec le Jetson nano de Nvidia
Video: .mp4 (1280x720, 30 fps(r)) | Audio: aac, 48000 Hz, 2ch | Size: 6.72 GB
Genre: eLearning Video | Duration: 84 lectures (11 hour, 38 mins) | Language: Fran?ais



Initiez-vous ? l'internet des objets et ? l'intelligence artificielle (deep learning) avec Tensorflow / Keras en Python



What you'll learn
Installer et configurer Linux sur le Jetson Nano. Administrer le syst?me d'exploitation ? distance, installer Visual studio et Jupyter Notebook.
Coder des programmes en Python pour mettre en œuvre de l'IOT dans le kit Jetson nano de nvidia. Communiquer avec des capteurs via le port GPIO et le bus I2C
Mettre en œuvre une cam?ra USB et CSI afin de capturer un flux vid?o et des images ? l'aide de la librairie OpenCV en Python. Utiliser les pipelines d'OpenCV.
Installer et utiliser les biblioth?ques sp?cialis?es dans l'IA et le deep learning telles que Keras, Tensorflow, Numpy et Pandas sur le Jetson Nano.
Coder des mod?les de classification d'images embarqu?s dans le kit Jetson nano : Applications ? la reconnaissance d'image et ? l'analyse des ressentis
Coder des mod?les de r?gression d'images embarqu?s dans le kit Jetson nano : Applications au suivi d'objet dans une vid?o
Optimiser les mod?les avec TensorRT pour acc?l?rer leur ex?cution et leur bande passante dans les syst?mes embarqu?s
Requirements
Un kit Jetson Nano de Nvidia (avec une carte SD 64Go et le chargeur), une cam?ra CSI ou USB, un module PCF8591, des LEDs et des r?sistances
Des connaissances en langage Python
Des connaissances sous Linux pour administrer le kit sont un plus mais elles sont vues et expliqu?es lorsque cela est n?cessaire

Description
Le kit Jetson Nano de NVIDIA offre des capacit?s sans pr?c?dent ? des millions de syst?mes d'intelligence artificielle ? hautes performances et basse consommation. Cette innovation technologique ouvre de nouvelles possibilit?s pour les applications embarqu?es de l'IoT. Jetson Nano est la solution id?ale pour les professionnels qui souhaitent se former ? l'IA avec des param?tres r?alistes et des projets pr?ts ? l'essai.
Aux dimensions de 70 x 45 mm, le Jetson Nano n'en d?veloppe pas moins une performance de 472 Gflops suffisante pour ex?cuter des t?ches IA dignes de ce nom, et ce dans une enveloppe thermique qui n'exc?de pas 5 watts.
Dans ce cours, vous allez apprendre ? utiliser le Jetson Nano dans le cadre de projets li?s ? l'IoT et ? l'intelligence artificielle telles que la reconnaissance d'image et le suivi de trajectoire sur une vid?o. Vous utiliserez le langage de programmation Python et des librairies sp?cialis?es dans le deep learning comme Tensorflow, Keras, Numpy, .
Des explications claires et de nombreux exemples vous permettront de bien comprendre comment utiliser le kit de d?veloppement Jetson Nano ? travers 8 th?mes d'?tude
Prise en main du Jetson Nano et administration de son syst?me d'exploitation Linux
Programmation des entr?es - sorties ? l'aide des GPIO
Programmation de la cam?ra embarqu?e avec OpenCV
IA et deep learning : Cr?ation d'un mod?le simple de reconnaissance d'image avec Keras / Tensorflow
Classification d'images ? l'aide du deep learning avec le mod?le ResNet
Analyse des ressentis sur une vid?o ? l'aide de la reconnaissance d'image
R?gression d'images : application au suivi d'objets sur une vid?o
Optimisation des performances des mod?les embarqu?s avec TensorRT
Les activit?s en Python sont clairement expliqu?es. D'une dur?e totale de plus de 11h, ce cours vous permettra d'?tre ? l'aise dans l'utilisation du kit Jetson nano de nvidia pour mettre en œuvre de l'intelligence artificielle ou de l'IoT.
=== Pr?requis ===
Des connaissances en Python sont un plus pour bien comprendre les programmes utilis?s, en particulier ceux li?s ? l'intelligence artificielle et ? l'utilisation des librairies Tensorflow / Keras.
Si vous avez d?j? une exp?rience en Deep Learning, en Arduino ou encore en Raspberry PI, vous d?couvrirez certainement de nouveaux th?mes d'?tude qui vous permettront d'?largir vos comp?tences.
== Aide en ligne ===
Quelque soit votre niveau, je suis disponible pour vous aider dans votre progression. Vous pourrez ?ventuellement rencontrer des difficult?s en programmation car il est bien ?vident que vous avez tous un bagage diff?rent en fonction de votre parcours (?tudes ou professionnel).
Dans ce sens, il ne faudra surtout pas h?siter ? me poser vos questions et je m'engage ? y r?pondre dans un d?lai raisonnable. Votre motivation est essentielle pour r?ussir cette formation.
=== Th?mes ?tudi?s dans la formation ===
#1. Prise en main du Jetson Nano et administration de son syst?me d'exploitation Linux
Le module prend en charge le kit de d?veloppement JetPack qui int?gre les biblioth?ques d'acc?l?ration Nvidia Cuda-X ainsi qu'une pile IA compl?te avec biblioth?ques pour l'apprentissage machine, la vision artificielle, les calculs graphiques et le traitement multim?dia. JetPack dispose en outre d'un syst?me d'exploitation Linux et des derni?res versions en date des logiciels Cuda, cuDNN et TensorRT.
#2. Programmation des entr?es - sorties ? l'aide des GPIO
Les ports GPIO (anglais : General Purpose Input/Output, litt?ralement Entr?e-sortie ? usage g?n?ral) sont des ports d'entr?es-sorties tr?s utilis?s dans le monde des microcontr?leurs, en particulier dans le domaine de l'?lectronique embarqu?e, qui ont fait leur apparition au d?but des ann?es 1980. Elles sont plac?es sur un circuit ?lectronique afin de communiquer avec des composants ?lectroniques et circuits externes. Il peut s'agir de d?tecteurs ou senseurs pour capter des donn?es, ou encore de contr?ler des commandes.
Nous apprendrons dans cette partie ? utiliser les GPIO en Python ce qui nous permettra d'utiliser divers capteurs et actionneurs.
#3. Programmation de la cam?ra embarqu?e avec OpenCV
Les activit?s pratiques que nous allons mettre en œuvre par la suite vont consister ? analyser des vid?os ? l'aide d'une intelligence artificielle. Nous allons par cons?quent ici apprendre ? programmer le Jetson nano pour acqu?rir un flux vid?o en provenance d'une cam?ra. Cette cam?ra pourra ?tre connect?e sur un port USB ou sur un port MIPI.
#4. IA et deep learning : Cr?ation d'un mod?le simple de reconnaissance d'image avec Keras / Tensorflow
La reconnaissance d'image, sous-cat?gorie de la Computer Vision et de l'Intelligence Artificielle, repr?sente un ensemble de m?thodes de d?tection et d'analyse d'images pour permettre l'automatisation d'une t?che sp?cifique. Il s'agit d'une technologie qui est capable d'identifier des lieux, des personnes, des objets et plusieurs autres types d'?l?ments au sein d'une image et d'en tirer des conclusions en les analysant.
Cette partie a pour objectif d'introduire les concepts de base de l'utilisation de l'intelligence artificielle pour la reconnaissance d'images. Nous utiliserons plus sp?cifiquement les librairies Keras / Tensorflow qui sont parmi les plus utilis?es dans le domaine.
Comme activit? pratique, nous allons programmer une intelligence artificielle permettant de r?aliser de la reconnaissance d'image. Pour cela, nous mettrons en œuvre des r?seaux de convolution pour traiter et analyser les images.
#5. Classification d'images ? l'aide du deep learning avec le mod?le ResNet
ResNet est une structure de r?seau propos?e par He Kaiming, Sun Jian et d'autres de Microsoft Research Asia en 2015, et a remport? la premi?re place dans la t?che de classification ILSVRC-2015. Dans le m?me temps, il a remport? la premi?re place dans les t?ches de d?tection ImageNet, de localisation ImageNet, de d?tection COCO et de segmentation COCO.
Dans sa version la plus complexe, ce mod?le est compos? de 50 couches, et a la particularit? d'introduire des connexions r?siduelles. Contrairement aux r?seaux de neurones convolutifs qui ont une architecture lin?aire (un empilement de couches dont chaque sortie est uniquement connect?e ? la couche suivante), dans un r?seau r?siduel, la sortie des couches pr?c?dentes est reli?e ? la sortie de nouvelles couches pour les transmettre toutes les deux ? la couche suivante
Nous allons programmer ce mod?le dans le Jetson nano en Python afin de r?aliser de la classification d'image : Savoir par exemple en temps r?el si sur une vid?o un pouce est lev? ou baiss? !
#6. Analyse des ressentis sur une vid?o ? l'aide de la reconnaissance d'image
Pour aller plus loin, en guise d'exercice d'application nous utiliserons le m?me mod?le Resnet pour reconna?tre en temps r?el l'?tat ?motionnel d'une personne : Est-elle heureuse ou triste ? Ou plut?t d'une humeur neutre ... voire en col?re ?
#7. Suivi d'objets sur une vid?o en temps r?el
La r?gression d'image va nous permettre de r?aliser un suivi en temps r?el d'un objet sur une vid?o. Dans l'exemple que nous allons programmer, nous suivrons une partie de notre visage, par exemple notre nez !
Le mod?le que nous programmerons est bas? sur le mod?le ResNet, auquel nous int?grerons une surcouche sp?cialis?e dans la d?tection de la cible ? suivre.
#8. Optimisation des performances des mod?les embarqu?s avec TensorRT
Les mod?les utilis?s en intelligence artificielle demandent beaucoup de ressources de calcul : c'est d'ailleurs tout l'int?r?t d'utiliser le Jetson nano, qui int?gre un GPU d?di? aux calculs complexes.
Mais les performances des GPU ne sont pas toujours assez ?lev?es, et si nous souhaitons embarquer de l'intelligence artificielle dans un syst?me de traitement en temps r?el, nous devons optimiser au maximum les mod?les. C'est l? que le logiciel TensorRT de NVIDIA intervient. TensorRT est un optimiseur et un Runtime d'inf?rence haute performance qui offre une faible latence et un d?bit ?lev? pour les applications d'inf?rence d'apprentissage approfondi.
Nous mettrons en pratique son utilisation pour optimiser notre mod?le de suivi de trajectoire : il nous permettra d'am?liorer le d?bit de traitement de notre mod?le de suivi de trajectoire de 9 images/s ? presque 60 images/s !
Who this course is for
Toute personne souhaitant int?grer de l'intelligence artificielle (IA) ou du deep learning dans un syst?me ?lectronique embarqu?
Lyc?ens, ?tudiants ou professionnels int?ress?s par l'IOT (Internet of Things), l'intelligence artificielle (IA) et le deep learning
Lyc?ens, ?tudiants ou professionnels souhaitant coder des mod?les du deep learning en Python avec Keras / Tensorflow dans le domaine du traitement de l'image (reconnaissance et classification d'image)



Download from RapidGator
Code:
https://rapidgator.net/file/19265ffaae0df5d0d779075f57dae5f9/Formation_?_lIA_et_?_lIoT_avec_le_Jetson_nano_de_Nvidia.part1.rar
https://rapidgator.net/file/2e0186ab3f01063d5f40686f8e563eb2/Formation_?_lIA_et_?_lIoT_avec_le_Jetson_nano_de_Nvidia.part2.rar
https://rapidgator.net/file/5fdf2c8e4ebe2ff4eef23821d649272f/Formation_?_lIA_et_?_lIoT_avec_le_Jetson_nano_de_Nvidia.part3.rar
https://rapidgator.net/file/1edec95d6376e1325dafbfbfb94fdbc0/Formation_?_lIA_et_?_lIoT_avec_le_Jetson_nano_de_Nvidia.part4.rar
Download from Keep2Share
Code:
https://k2s.cc/file/2c04b0dca1d6e/Formation_%C3%A0_lIA_et_%C3%A0_lIoT_avec_le_Jetson_nano_de_Nvidia.part1.rar
https://k2s.cc/file/993b4490be200/Formation_%C3%A0_lIA_et_%C3%A0_lIoT_avec_le_Jetson_nano_de_Nvidia.part2.rar
https://k2s.cc/file/743657523fe1e/Formation_%C3%A0_lIA_et_%C3%A0_lIoT_avec_le_Jetson_nano_de_Nvidia.part3.rar
https://k2s.cc/file/02587dd288191/Formation_%C3%A0_lIA_et_%C3%A0_lIoT_avec_le_Jetson_nano_de_Nvidia.part4.rar