Formation en présentiel : 3 jours - 21 heures
- Type : Formation qualifiante
- Durée : 3j, soit 21 heures
- Modalité : Formation présentielle
- Versions : OTB (Orfleo Toolbox) toutes versions
- Validation : 1 certificat de réalisation sera remis au donneur d’ordre et dans un deuxième temps une attestation de fin de formation reprenant les objectifs, la nature, la durée de l’action et les résultats atteints sera envoyée par mail à chaque stagiaire
- Prè-requis : Avoir suivi la formation télédétection niveau 1 avec OTB ou des connaissances équivalentes
- Public : Tout public
- Niveau : Standard
- Moyens : Un ordinateur par stagiaire, des travaux pratiques proposés pendant la formation,des intervenants universitaires spécialisés, support de cours offert à chaque stagiaire, une clé USB offerte. Pédagogie: 15% de théorie, 85% de pratique : étude de cas, mise en situation, exercices d’évaluation.
- Pèdagogie : 15% de théorie, 85% de pratique : étude de cas, mise en situation, exercices d’évaluation
- Comprendre les concepts fondamentaux de l’IA appliqués au traitement d’images satellitaires.
- Apprendre à utiliser l’Orfeo Toolbox (OTB) pour intégrer des algorithmes d’intelligence artificielle, tels que le machine learning (ML) et le deep learning (DL).
- Appliquer des techniques avancées de classification, détection de changements, et extraction de caractéristiques à partir d’images satellitaires.
Les concepts clés de l’Intelligence artificielle
- Définitions et concepts clés de l’IA
- Différents types d’IA (machine learning, deep learning)
- Applications de l’IA dans les SIG et le traitement d’images
Introduction à l’Orfeo Toolbox (OTB)
- Fonctionnalités principales de l’OTB
- Installation et configuration.
- Intégration avec Python
- Exploration des modules OTB pour le « machine learning » et le traitement spectral
Préparation des données pour le « machine learning »
- Correction radiométrique et géométrique.
- Normalisation des données pour l’apprentissage supervisé.
- Création d’échantillons d’entraînement pour la classification.
- Extraction de caractéristiques à partir des bandes spectrales (indices NDVI, NDWI, etc.)
Classification supervisée avec OTB
- Algorithmes de classification disponibles dans OTB :
- SVM (Support Vector Machines)
- Random Forest
- K-Nearest Neighbors (KNN)
- Création d’un modèle de classification
- Formation du modèle à l’aide de jeux de données d’entraînement
- Validation et évaluation des résultats (matrice de confusion, OA, Kappa)
Introduction au Deep Learning pour le traitement d’images
- Concepts de base : réseaux de neurones convolutionnels (CNN).
- Applications du DL en télédétection : segmentation, détection d’objets, et classification.
- Intégration de frameworks DL (TensorFlow, PyTorch) avec OTB.
Applications pratiques de Deep Learning avec OTB
- Préparation des données pour le DL : mosaïques, annotation, augmentation.
- Utilisation des algorithmes de deep learning via OTB
- Détection de bâtiments dans des zones urbaines
- Segmentation des forêts et des cultures
- Évaluation des performances (précision, rappel, F1-score)
Automatisation avec Python et OTB
- Utilisation de l’API Python d’OTB pour créer des workflows automatisés.
- Développement de scripts pour le traitement par lots des images satellitaires.
- Intégration d’OTB dans des pipelines de traitement IA avec TensorFlow ou PyTorch.
Nos formations par ville en France
Aix en Provence – Amiens – Besançon – Bordeaux – Caen – Cesson Sévigné – Clermont Ferrand – Dijon – Grenoble – Guadeloupe – Lille – Lyon – Marseille – Martinique – Montpellier – Nantes – Nice – Orléans – Paris – Reims – Réunion – Rouen – Saint Etienne – Strasbourg -Toulouse – Tours
Nos formations par pays
Algérie – Belgique – Bénin – Burkina Faso – Côte d’Ivoire Gabon – Guinée – Libye Madagascar – Mali – Maroc – Monaco – Niger – République démocratique du Congo – Sénégal – Suisse – Tchad – Togo – Tunisie
