UN SYSTEME DE DETECTION DES OBJETS

Abstract

This thesis explores the development of an advanced system for the detection of objects in computer vision, crucial for the autonomous and precise interpretation of visual environments in sectors such as security, automotive, medicine and industry.. Despite recent advances, current technologies are limited by their insufficient performance in complex environments and their lack of flexibility to meet the varied needs of users. This project aims to overcome these challenges using Convolutional Neural Networks (CNN) and the MobileNetV2 architecture, based primarily on the Pascal VOC dataset. Key objectives include designing a precise object detection system, efficiently integrating MobileNetV2 to optimize hardware resources, and continuously improving accuracy and energy efficiency. The results show significant improvements in terms of accuracy and robustness compared to conventional methods, although challenges persist, particularly with regard to the generalization of the model to diverse environments. Future areas for improvement include exploring multimodal data fusion, continuous optimization of CNN architectures, and the application of advanced data augmentation techniques. In conclusion, this work represents a substantial contribution to the evolution of object detection systems, highlighting the importance of the Pascal VOC dataset in our approach. It paves the way for future research and technological developments in various industrial and technological sectors. Ce mémoire explore le développement d'un système avancé de détection d'objets en vision par ordinateur, crucial pour l'interprétation autonome et précise des environnements visuels dans des secteurs comme la sécurité, l'automobile, la médecine et l'industrie.. Malgré des avancées récentes, les technologies actuelles sont limitées par leurs performances insuffisantes dans les environnements complexes et leur manque de flexibilité pour répondre aux besoins variés des utilisateurs. Ce projet vise à surmonter ces défis en utilisant les Réseaux Neuronaux Convolutifs (CNN) et l'architecture MobileNetV2, en se basant principalement sur l'ensemble de données Pascal VOC. Les objectifs principaux incluent la conception d'un système de détection d'objets précis, l'intégration efficace de MobileNetV2 pour optimiser les ressources matérielles, et l'amélioration continue de la précision et de l'efficacité énergétique. Les résultats montrent des améliorations significatives en termes de précision et de robustesse par rapport aux méthodes conventionnelles, bien que des défis persistent, notamment en ce qui concerne la généralisation du modèle à des environnements diversifiés. Les pistes d'amélioration futures incluent l'exploration de la fusion de données multimodales, l'optimisation continue des architectures CNN, et l'application de techniques avancées d'augmentation de données. En conclusion, ce travail représente une contribution substantielle à l'évolution des systèmes de détection d'objets, en soulignant l'importance de l'ensemble de données Pascal VOC dans notre approche. Il ouvre la voie à des recherches futures et à des développements technologiques dans divers secteurs industriels et technologiques.