1. Structure d'un dispositif d'électronique embarqué à base de microcontrôleur

1.1 Structure d'un dispositif embarqué

10. Programme de scrutation des capteurs

11. Utilisation du convertisseur Numérique-Analogique

2. Introduction

2.1 1. Introduction

3. Installation de la librairie JetsonGPIO

4. Expérience #1 - Faire clignoter une LED

4.1 3. Expérience #1 - Faire clignoter une LED

5. Programmation du script en Python

6. Expérience #2 - Générer un PWM

6.1 5. Expérience #2 - Générer un PWM

7. Programmation du script en Python

8. Expérience #3 - Utiliser des capteurs analogiques via le port I2C

8.1 PCF8591

9. Lecture des conversions Analogiques-Numériques issues des capteurs

9.1 PCF8591

9.2 smbus2

1. Introduction

1.1 1. Introduction

10. Enregistrement d'une image avec la caméra CSI

2. Mise en place de la caméra

3. Configuration du mode de consommation du Jetson Nano

4. Installation de OpenCV

5. Capture vidéo avec une caméra USB en Python avec OpenCV

6. Notion de pipeline avec GStreamer

7. Utiliser GStreamer en ligne de commande

8. Capture vidéo en Python avec le module caméra CSI sous OpenCV

9. Enregistrement d'une image avec la caméra USB

1. Intelligence artificielle, machine learning et deep learning

1.1 1. Intelligence artificielle, machine learning et deep learning

10. Entrainement du modèle

11. Prédictions et analyse des erreurs

2. Les réseaux à convolution

2.1 2. Les réseaux à convolution

3. Configuration de Jupyter notebook

4. Modification de la configuration de Jupyter pour OpenCV

5. Installation de Tensorflow

6. Téléchargement du notebook

7. Chargement des données d'entrainement

8. Préparation des données

9. Construction du modèle

1. Présentation du projet

10. Projet - Création du modèle ResNet50 pré-entrainé

11. Projet - Entrainement du modèle ResNet50

12. Projet - Expérimentations avec le modèle ResNet50

13. Projet - Entrainement et expérimentations avec le modèle ResNet18

2. Le modèle ResNet-18

2.1 2. Le modèle ResNet-18

3. Utiliser la caméra USB avec Jupyter

4. Utiliser la caméra CSI avec Jupyter

5. Projet - Acquisition des images à l'aide de la caméra

6. Projet - Sauvegarde des images sur la carte SD

7. Structure du dataset

7.1 7. Structure du dataset

8. Projet - Création du dataset d'entrainement

9. Projet - Pré-traitement des images du dataset

1. Objectif de l'exercice

2. Correction de l'exercice

1. Présentation de l'objectif Suivi de trajectoire

10. Fonctions d'erreur pour la régression d'images

11. Entrainement du modèle

12. Analyse des résultats avec l'erreur MSE

13. Analyse des résultats avec l'erreur MAE

14. Analyse des résultats avec l'erreur focale

15. Expérimentations

2. Installation de JupyterLab

3. Installation de imgaug

4. Acquisition des images

5. Création du dataset - Première partie

6. Structure du dataset

6.1 6. Structure du dataset

7. Création du dataset - Deuxième partie

8. Structure du modèle

8.1 8. Structure du modèle

9. Création du modèle

1. Exportation du modèle au format Tensorflow

10. Analyse de la précision du modèle optimisé

11. Expérimentations avec le modèle optimisé

12. Optimisation du modèle au format FP16

13. Performances et expérimentations avec le modèle FP16

2. Création du dataset

3. Conversion du modèle au format ONNX

4. Evaluation des performances du modèle de base

5. Méthodes de fusion des couches avec TensorRT

6. Optimisation du modèle avec TensorRT

7. Installation de PyCuda

8. Utilisation du modèle TensorRT avec PyCuda

9. Analyse des performances du modèle optimisé