Projet Central de Notebooks - Computer Vision & NLP
Ce dépôt regroupe plusieurs notebooks Jupyter couvrant des tâches avancées en vision par ordinateur (segmentation, détection, tracking) et en traitement du langage naturel (ABSA, fine-tuning de modèles de génération de texte).
Table des matières
Prérequis
- Python 3.8+
- Jupyter Notebook
- GPU recommandé pour l'entraînement deep learning
- Accès à Google Colab (optionnel mais conseillé pour les notebooks lourds)
- Librairies principales :
torch, torchvision, tensorflow, kerastransformers, datasets, sentencepiece, accelerate, rougedetectron2, opencv-python, scikit-image, scikit-learnnltk, textblob, pandas, matplotlibultralytics (pour YOLO)- Autres : voir les cellules d'installation dans chaque notebook
Liste des notebooks
- Absa_Project.ipynb : Extraction d'aspects et d'opinions (ABSA) sur des avis textuels.
- Bio_cell_segmentation_&_Detection.ipynb : Segmentation et détection de cellules en imagerie biomédicale.
- Claps_Flexy_Wings.ipynb : Détection d'objets sur images biomécaniques (flexion d'ailes).
- ResNet_training.ipynb : Classification d'images par fusion d'images et de points clés avec ResNet50 & MoveNet.
- VGG16_train.ipynb : Classification d'images par fusion d'images et de points clés avec VGG16 & MoveNet.
- Segmentation_SAM_test.ipynb : Segmentation d'images avec SAM et analyse multimodale.
- Stable_Diffusion_Artefact_Detection.ipynb : Détection d'artefacts sur des images générées par Stable Diffusion.
- Stable_diffusion_train.ipynb : Fine-tuning et génération d'images avec Stable Diffusion.
- Ui_llava.ipynb : Interface et tests pour LLaVA (Large Language and Vision Assistant).
Détails des notebooks
1. ABSA (Aspect-Based Sentiment Analysis)
- Fichier : Absa_Project.ipynb
- Objectif : Extraction automatique d'aspects, opinions et polarités à partir de textes.
- Modèle : Fine-tuning de T5-small.
- Dépendances :
transformers, datasets, nltk, textblob, sklearn, pandas.
- Exécution : Suivre les cellules d'installation et d'entraînement. Les résultats sont sauvegardés en CSV et JSON.
2. Segmentation et Tracking Cellulaire
- Fichier : Bio_med_cell_segmentation.ipynb
- Objectif : Segmentation binaire, instance, tracking de cellules sur images biomédicales.
- Modèles : U-Net (Keras), Watershed, Detectron2.
- Fonctionnalités :
- Prétraitement, augmentation de données, entraînement, évaluation (IoU, précision, rappel).
- Tracking multi-frames avec assignation d'ID.
- Génération de vidéos à partir des séquences segmentées.
- Dépendances :
tensorflow, keras, opencv-python, scikit-image, detectron2, matplotlib.
- Exécution : Adapter les chemins de données, exécuter séquentiellement.
3. Détection d'objets et Segmentation
- Fichiers :
- Dépendances :
ultralytics, opencv-python, PIL, matplotlib.
4. Classification d'Images
- Fichiers :
- Objectif : Entraînement de modèles CNN pour la classification d'images pour détecter les bonnes positions dans le cadre du dépistage du cancer du sein.
- Dépendances :
tensorflow, keras, sklearn, matplotlib.
5. Interface Multimodale
- Fichier : Ui_llava.ipynb
- Objectif : Tester et utiliser LLaVA pour des tâches de vision et langage pour description de UI.
- Dépendances :
transformers, torch, PIL, requests.
6. Détection d'Artefacts
Utilisation générale
- Cloner le dépôt et ouvrir dans Jupyter ou Google Colab.
- Installer les dépendances en exécutant les cellules d'installation (
!pip install ...) en haut de chaque notebook.
- Adapter les chemins de données selon votre environnement (Google Drive, local, etc.).
- Exécuter les cellules dans l'ordre pour chaque notebook.
- Sauvegarde des résultats : Les modèles et outputs sont sauvegardés sur Google Drive ou en local.
Auteurs
Remarques
- Certains notebooks nécessitent un accès GPU pour un temps d'exécution raisonnable.
- Les chemins d'accès (
/content/drive/...) sont adaptés à Google Colab avec Google Drive monté.
Licence
Ce projet est fourni à titre d'exemple et ne doit pas être réutilisé, modifié ou distribué sans autorisation explicite de l'auteur. Toute utilisation est strictement réservée à la consultation comme démonstration du travail réalisé. Pour toute autre utilisation, veuillez contacter l'auteur.