For AI agents: the complete documentation index is available at https://docs.ovhcloud.com/fr/llms.txt, the full documentation bundle is available at https://docs.ovhcloud.com/fr/llms-full.txt, and this page is available as Markdown at https://docs.ovhcloud.com/fr/guides/public-cloud/ai-machine-learning/ai-notebooks-tuto-image-generation-dcgan.md.

AI Notebooks - Tutoriel - Créer et entraîner un modèle de génération d'images

Voir en Markdown

Découvrez le fonctionnement des GANs et comment générer vos propres images synthétiques

Objectif

Ces dernières années, le domaine de la computer vision a connu une croissance importante. Il englobe un large éventail de méthodes permettant d'acquérir, de traiter, d'analyser et de comprendre des images numériques.

Parmi ces méthodes, l'une d'entre elles est appelée image generation.

L'objectif de ce tutoriel est de vous montrer comment il est possible de construire et d'entraîner un modèle de génération d'images avec OVHcloud AI Notebooks. Nous utiliserons un GAN convolutif populaire nommé DCGAN.

À la fin de ce tutoriel, vous aurez appris les concepts des modèles génératifs, de l'évaluation de modèle, et comment générer vos propres images en entraînant un DCGAN sur votre dataset.

Info

Nous entraînerons le DCGAN sur le dataset Chest X-Ray. Nous vous montrerons comment vous pouvez facilement télécharger le dataset dans le tutoriel du notebook.

Prérequis

  • Un projet AI Notebooks créé au sein d'un projet Public Cloud dans votre compte OVHcloud
  • Un utilisateur pour AI Notebooks
  • Un compte Kaggle pour télécharger le dataset

Accès à l'espace client OVHcloud

  • Lien direct :
  • Chemin de navigation : Public Cloud > Sélectionnez votre projet

En pratique

Vous pouvez lancer le notebook depuis l' ou via la CLI ovhai.

Lancer un notebook Jupyter avec « Conda » via l'interface (espace client)

Pour lancer votre notebook depuis l', suivez les étapes ci-dessous.

Éditeur de code

Choisissez l'éditeur de code Jupyterlab.

Framework

Dans ce tutoriel, le framework conda est utilisé.

Ressources

L'utilisation de GPU est recommandée, car la manipulation d'images est une tâche gourmande en entraînement.

Info

Ici, l'utilisation d'1 GPU est suffisante.

Lancer un notebook Jupyter avec « conda » via la CLI

Si vous n'utilisez pas encore notre CLI, suivez ce guide pour l'installer.

Si vous souhaitez lancer votre notebook avec l'OVHcloud AI CLI, choisissez l'éditeur jupyterlab et le framework conda.

Pour accéder aux différentes versions de conda disponibles, exécutez la commande suivante :

ovhai capabilities framework get conda -o yaml
Info

Si vous ne spécifiez pas de version, votre notebook démarre avec la version par défaut de conda.

Vous devrez également choisir le nombre de GPU à utiliser dans votre notebook à l'aide de <nb-gpus>.

Pour lancer votre notebook, exécutez la commande suivante :

ovhai notebook run conda jupyterlab \
		--name <notebook-name> \
		--framework-version <conda-version> \
		--gpu <nb-gpus>

Vous pourrez ensuite accéder à l'URL de votre notebook une fois celui-ci en cours d'exécution.

Accéder aux notebooks

Une fois notre dépôt d'exemples AI cloné dans votre environnement, retrouvez le tutoriel de fine-tuning en suivant ce chemin : ai-training-examples > notebooks > computer-vision > image-generation > miniconda > dcgan-image-generation > notebook_chest_image_generation_dcgan.ipynb.

Un aperçu de ce notebook est disponible sur GitHub ici.

Aller plus loin

Il existe de nombreuses autres tâches dans le domaine de la computer vision. Consultez nos autres tutoriels pour apprendre à :

Si vous avez besoin d'une formation ou d'une assistance technique pour la mise en oeuvre de nos solutions, contactez votre commercial ou cliquez sur ce lien pour obtenir un devis et demander une analyse personnalisée de votre projet à nos experts de l’équipe Professional Services.

Nous voulons vos retours !

N’hésitez pas à nous faire part de vos questions, retours et suggestions pour améliorer le service :

Cette page vous a-t-elle aidé ?