Les Transformateurs Visuels (ViTs) sont une architecture de réseau neuronal révolutionnaire qui a bouleversé le domaine de la vision par ordinateur. Contrairement aux modèles de vision par ordinateur traditionnels qui s’appuient sur des convolutions pour extraire des caractéristiques des images, les ViTs utilisent une architecture basée sur l’attention, inspirée des réseaux de neurones à transformateur introduits par Vaswani et al. (2017).

Fonctionnement des ViTs :

                 1. Tokenisation de l’image :

• 1. • Les images sont d’abord découpées en plusieurs petits morceaux ou “patches”. Chaque patch est traité comme un “mot” dans le contexte du traitement du langage. Cela permet au modèle de traiter l’image de manière séquentielle.
  2. Plongements linéaires :
     • Chaque patch est ensuite aplati et transformé en un vecteur à travers une couche linéaire (embedding layer). Cela convertit les données d’image brutes en une forme que le modèle peut traiter efficacement.
  3. Ajout de codage positionnel :
     • Comme dans les modèles de NLP, un codage positionnel est ajouté aux embeddings pour donner au modèle des informations sur la position relative des patches dans l’image originale. Cela aide le modèle à comprendre comment les patches sont disposés spatialement.
  4. Couches de transformateurs :
     • Les vecteurs de patch, maintenant enrichis d’informations positionnelles, sont passés à travers plusieurs couches de transformateurs. Ces couches utilisent des mécanismes d’auto-attention pour permettre au modèle de pondérer l’importance relative de chaque patch par rapport aux autres lors de la réalisation de tâches spécifiques.
  5. Classification ou autres tâches :
     • En sortie des couches de transformateurs, les données peuvent être utilisées pour diverses tâches, telles que la classification d’images, la détection d’objets, ou même la segmentation d’images. Pour la classification, par exemple, un vecteur final issu des couches de transformateurs est souvent passé à travers une couche dense pour prédire la classe de l’image.

Avantages des ViTs :

• Apprentissage de longs-courriers : L’architecture basée sur l’attention permet aux ViTs de capturer des dépendances à longue portée entre les éléments de l’image, ce qui est crucial pour des tâches comme la reconnaissance d’objets et la segmentation sémantique.
• Meilleure généralisation : Les ViTs ont montré une meilleure capacité de généralisation à de nouvelles données par rapport aux modèles basés sur convolutions.
• Flexibilité : L’architecture des ViTs est modulaire et peut être facilement adaptée à un large éventail de tâches de vision par ordinateur.

Applications des ViTs :

• Classification d’images : Identifier la classe d’un objet dans une image.
• Détection d’objets : Localiser et identifier des objets dans une image.
• Segmentation sémantique : Définir les contours de chaque objet dans une image.
• Génération d’images : Générer des images à partir de texte ou d’autres images.
• Traduction d’images : Traduire une image d’un style visuel à un autre.

Les ViTs ont connu un succès fulgurant dans le domaine de la vision par ordinateur et représentent une avancée majeure dans la façon dont les ordinateurs perçoivent et comprennent le monde visuel.

Ressources supplémentaires :

• Un guide sur les Transformateurs Visuels: https://huggingface.co/docs/transformers/en/model_doc/vit
• Vision par ordinateur basée sur des transformateurs : une revue: https://arxiv.org/abs/2402.17863
• Le Transformer original: https://arxiv.org/abs/1706.03762

FastSAM, ou Fast Segment Anything Model, est un modèle de segmentation d’image révolutionnaire qui offre une vitesse 50 fois supérieure à celle de son prédécesseur, SAM, tout en conservant des performances comparables.

Fonctionnement

FastSAM tire sa puissance de deux technologies clés :

• YOLOv8-seg: un détecteur d’objets performant doté d’une branche dédiée à la segmentation d’instances.
• Un ensemble de données réduit: l’entraînement de FastSAM utilise seulement 2% du dataset SA-1B utilisé pour SAM, ce qui permet d’accélérer considérablement le processus sans sacrifier la précision.

Applications

FastSAM ouvre la voie à de nombreuses applications en temps réel dans divers domaines, tels que :

• Vision industrielle: inspection automatisée de produits, détection de défauts, etc.
• Robotique: navigation autonome, manipulation d’objets, etc.
• Véhicules autonomes: segmentation précise des obstacles et des participants à la route.
• Réalité augmentée et virtuelle: création d’environnements immersifs et interactifs.

Avantages

• Vitesse: 50 fois plus rapide que SAM, idéal pour les applications en temps réel.
• Précision: performances comparables à SAM, assurant une segmentation précise.
• Efficacité: utilise moins de données et de ressources pour l’entraînement.
• Flexibilité: disponible en différentes versions pour répondre à divers besoins.

Conclusion

FastSAM représente une avancée majeure dans le domaine de la segmentation d’image. Sa vitesse fulgurante et sa précision remarquable le rendent incontournable pour une multitude d’applications en temps réel.

Pour aller plus loin:

• GitHub FastSAM: https://github.com/CASIA-IVA-Lab/FastSAM
• Blog Roboflow – FastSAM: https://blog.roboflow.com/what-is-fastsam/
• Docs Ultralytics – FastSAM: https://docs.ultralytics.com/fr/models/fast-sam/

VisionEye Mapping est une fonctionnalité révolutionnaire de la bibliothèque de détection d’objets Ultralytics . Elle permet aux ordinateurs d’identifier et de localiser des objets précis dans une scène, imitant la précision d’observation de l’œil humain. Cette technologie ouvre de nouvelles possibilités pour une variété d’applications, de la surveillance et de la sécurité à la robotique et à l’industrie automobile.

Fonctionnement de VisionEye Mapping

VisionEye Mapping s’appuie sur deux technologies puissantes:

• YOLOv8 ou Yolov9: Détecte et localise des objets en temps réel avec une grande précision.
• VisionEye: Permet de se concentrer sur des objets spécifiques dans une scène, en ignorant les détails non pertinents.

En combinant ces technologies, VisionEye Mapping crée une “carte” des objets pertinents dans une image ou une vidéo. Cette carte peut ensuite être utilisée pour diverses tâches, telles que:

• Suivi d’objets: Surveiller le mouvement d’objets spécifiques dans une scène.
• Comptage d’objets: Dénombrer le nombre d’objets d’un type particulier dans une zone donnée.
• Analyse de scène: Identifier et comprendre les différents éléments d’une scène.

Avantages de VisionEye Mapping

• Précision accrue: VisionEye permet une identification et une localisation plus précises des objets que les méthodes traditionnelles.
• Efficacité accrue: En se concentrant sur les objets pertinents, VisionEye peut réduire le temps de traitement et améliorer l’efficacité.
• Flexibilité: VisionEye peut être utilisé avec une grande variété de caméras et de capteurs.

Applications de VisionEye Mapping

VisionEye Mapping a le potentiel de révolutionner un large éventail d’applications, notamment:

• Surveillance et sécurité: Suivi des personnes et des véhicules dans les zones publiques, détection d’intrusion et surveillance des foules.
• Robotique: Guidage des robots dans des environnements complexes, localisation et manipulation d’objets.
• Industrie automobile: Détection d’obstacles pour les véhicules autonomes, inspection des pièces automobiles.
• Agriculture: Surveillance des cultures et du bétail, tri des produits agricoles.
• Domotique: Contrôle des appareils intelligents par des gestes et des mouvements.

Conclusion

VisionEye Mapping est une technologie prometteuse avec le potentiel de transformer la façon dont nous interagissons avec le monde qui nous entoure. Sa précision, son efficacité et sa flexibilité en font un outil précieux pour une variété d’applications. Alors que la technologie continue de se développer, nous pouvons nous attendre à voir VisionEye Mapping jouer un rôle de plus en plus important dans nos vies.

Ressources supplémentaires:

• Documentation Ultralytics YOLOv8 VisionEye: https://docs.ultralytics.com/fr/guides/vision-eye/

import cv2
from ultralytics import YOLO
from ultralytics.utils.plotting import colors, Annotator

model = YOLO("yolov9e.pt") # on peut uriliser yolov8 ou yolov9
names = model.model.names
cap = cv2.VideoCapture(0)
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

out = cv2.VideoWriter('visioneye-pinpoint1.avi', cv2.VideoWriter_fourcc(*'MJPG'), fps, (w, h))

center_point = (-10, h)

while True:
    ret, im0 = cap.read()
   

    results = model.predict(im0)
    boxes = results[0].boxes.xyxy.cpu()
    clss = results[0].boxes.cls.cpu().tolist()

    annotator = Annotator(im0, line_width=2)

    for box, cls in zip(boxes, clss):
        annotator.box_label(box, label=names[int(cls)], color=colors(int(cls)))
        annotator.visioneye(box, center_point)

    out.write(im0)
    cv2.imwrite("vision.png", im0)
    cv2.imshow("visioneye-pinpoint", im0)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

out.release()
cap.release()
cv2.destroyAllWindows()

YOLOv9 est un nouveau modèle de détection d’objets en temps réel qui a été récemment publié et qui s’annonce comme une avancée majeure dans ce domaine. Il surpasse ses prédécesseurs en termes de précision, d’efficacité et de flexibilité, ce qui en fait un outil puissant pour une large gamme d’applications.

Ce modèle introduit des concepts innovants tels que l’Information de Gradient Programmable (PGI) et le Réseau d’Aggrégation de Couches Efficace et Généralisé (GELAN) pour améliorer l’exactitude et l’efficacité de la détection. Le PGI s’attaque au défi de la perte d’informations dans les réseaux profonds en préservant les caractéristiques clés et en garantissant une génération fiable de gradients pour des résultats d’entraînement optimaux. D’autre part, le GELAN propose une architecture de réseau légère qui optimise l’utilisation des paramètres et l’efficacité computationnelle, rendant YOLOv9 adaptable à une large gamme d’applications​ https://docs.ultralytics.com/fr/models/yolov9/#introduction-to-yolov9

YOLOv9 se distingue par la division de sa tête en une branche principale et une branche auxiliaire à plusieurs niveaux, aidant à capturer et à conserver l’information de gradient pendant la phase d’entraînement. Cette conception permet à la branche auxiliaire de soutenir efficacement la branche principale en préservant l’information de gradient essentielle​​. La série du modèle comprend des variantes telles que YOLOv9-s (petit), YOLOv9-m (moyen), YOLOv9-c (compact) et YOLOv9-e (étendu), répondant à divers besoins allant de l’application légère à l’application intensive en performance

Le modèle a montré une performance supérieure sur le jeu de données COCO, équilibrant l’efficacité et la précision à travers ses variantes. La conception de YOLOv9 aide à réduire les paramètres et les besoins computationnels tout en améliorant l’exactitude, maintenant l’héritage de la série de fournir des modèles de détection d’objets performants​​. Plus précisément, YOLOv9 résout le problème de goulot d’étranglement de l’information dans les réseaux neuronaux profonds, où l’empilement séquentiel peut entraîner une perte d’informations importantes, et aborde les inefficacités liées à l’utilisation des paramètres à travers l’architecture GELAN innovante​​.

Comparativement, YOLOv9 offre des avancées significatives dans la conception des modèles, mettant l’accent sur une efficacité accrue sans compromettre la précision, essentielle pour les tâches de détection d’objets en temps réel. Il établit de nouveaux repères en matière de métriques de performance tout en soulignant également l’importance de l’efficacité computationnelle, s’établissant comme un développement clé dans le domaine de la vision par ordinateur​

Points forts de YOLOv9:

• Précision de pointe: YOLOv9 atteint des résultats de pointe en matière de précision sur des benchmarks standard comme COCO et PASCAL VOC. Il est capable de détecter une large gamme d’objets avec une grande précision, même dans des images complexes et défavorables.
• Efficacité accrue: YOLOv9 est plus efficace que les modèles précédents, ce qui lui permet de fonctionner plus rapidement sur des appareils moins puissants. Cela le rend idéal pour les applications embarquées et mobiles où la vitesse est essentielle.
• Flexibilité programmable: YOLOv9 offre une flexibilité unique grâce à l’utilisation de gradients programmables. Cela permet aux utilisateurs de personnaliser le processus d’apprentissage en fonction de leurs besoins spécifiques, ce qui peut améliorer encore la précision et l’efficacité pour des tâches spécifiques.

Applications de YOLOv9:

YOLOv9 peut être utilisé pour une large gamme d’applications de détection d’objets en temps réel, notamment :

• Surveillance: YOLOv9 peut être utilisé pour surveiller les personnes et les véhicules dans des environnements publics ou privés.
• Robotique: YOLOv9 peut aider les robots à naviguer dans leur environnement et à interagir avec des objets.
• Inspection industrielle: YOLOv9 peut être utilisé pour inspecter des produits à la recherche de défauts.
• Véhicules autonomes: YOLOv9 peut aider les véhicules autonomes à détecter d’autres véhicules, des piétons et des obstacles sur la route.

Conclusion:

YOLOv9 est une avancée majeure dans la détection d’objets en temps réel. Sa précision, son efficacité et sa flexibilité en font un outil puissant pour une large gamme d’applications. Il est probable que YOLOv9 aura un impact significatif sur la façon dont nous utilisons la technologie de détection d’objets dans les années à venir.

Ressources supplémentaires:

• Article de recherche YOLOv9: https://arxiv.org/pdf/2308.07712
• Référentiel GitHub YOLOv9: https://github.com/WongKinYiu/yolov9/blob/main

La conversion d’un modèle du format .pt de PyTorch au format ONNX implique quelques étapes, nécessitant généralement de charger le modèle PyTorch puis d’utiliser une fonction ou une méthode pour l’exporter vers ONNX.

Installez la bibliothèque Ultralytics YOLO

Assurez-vous que la bibliothèque Ultralytics YOLO est installée dans votre environnement Python. Cette bibliothèque fournit les outils et méthodes nécessaires pour travailler avec les modèles YOLO. Vous pouvez l’installer en utilisant pip si elle n’est pas déjà installée :

“`
pip install ultralytics

“`

Importer la classe YOLO

Commencez votre script en important la classe YOLO du paquet ultralytics. Cette classe est conçue pour gérer les modèles YOLO, y compris leur chargement et leur exportation.

“`
from ultralytics import YOLO

“`

Charger votre modèle PyTorch personnalisé

Utilisez la classe YOLO pour charger votre modèle entraîné personnalisé. Vous devez spécifier le chemin d’accès à votre fichier de modèle .pt. Ce fichier doit contenir les poids entraînés et l’architecture du modèle. L’exemple utilise “best.pt”, en supposant qu’il s’agit du nom de votre fichier de modèle.

“`
model = YOLO(‘best.pt’) # load a custom trained model

“`

Exporter le modèle au format ONNX

Une fois le modèle chargé, vous pouvez l’exporter au format ONNX en utilisant la méthode d’exportation. Spécifiez le format ‘onnx’ dans l’appel de la méthode. Cela créera un fichier ONNX dans le répertoire de travail actuel ou dans le chemin spécifié (si vous en fournissez un).

“`
model.export(format=’onnx’)
“`

Vérifier le fichier modèle ONNX

Après avoir exécuté le script, vous devriez trouver un fichier de modèle ONNX dans votre répertoire de travail. Le nom du fichier sera généralement dérivé du nom de votre fichier .pt original, mais avec une extension .onnx.

La détection d’objets en temps réel, utilisant le modèle YOLOv8 via la bibliothèque OpenCV. Ce script illustre comment YOLOv8, une évolution du populaire modèle YOLO pour la détection d’objets, peut être appliqué aux flux vidéo de deux caméras simultanément, offrant une solution puissante et flexible pour la surveillance et l’analyse vidéo en temps réel.

import cv2
from ultralytics import YOLO

# Load the YOLOv8 model
model = YOLO(‘yolov8n.pt’)

# Open the video file
video_path = “path/to/your/video/file.mp4”
cap = cv2.VideoCapture(0)

# Loop through the video frames
while cap.isOpened():
# Read a frame from the video
success, frame = cap.read()

if success:
# Run YOLOv8 inference on the frame
results = model(frame)

# Visualize the results on the frame
annotated_frame = results[0].plot()

# Display the annotated frame
cv2.imshow(“YOLOv8 Inference”, annotated_frame)

# Break the loop if ‘q’ is pressed
if cv2.waitKey(1) & 0xFF == ord(“q”):
break
else:
# Break the loop if the end of the video is reached
break

# Release the video capture object and close the display window
cap.release()
cv2.destroyAllWindows()

Une application pratique de la détection d’objets en temps réel en utilisant le modèle de deep learning YOLOv5 en combinaison avec OpenCV, une bibliothèque populaire pour le traitement d’images et de vidéos. Cette synergie permet de surveiller et d’analyser les flux vidéo de plusieurs caméras simultanément, offrant ainsi une solution robuste pour des applications telles que la surveillance de sécurité, le suivi du trafic ou même des études comportementales en temps réel. Voici une explication détaillée du fonctionnement du script :

import cv2
import torch

# Charger le modèle YOLOv5
model = torch.hub.load(‘ultralytics/yolov5’, ‘yolov5x’, pretrained=True)

camera1 = cv2.VideoCapture(0)
camera2 = cv2.VideoCapture(4)

if not camera1.isOpened():
print(‘Erreur …cam1’)

if not camera2.isOpened():
print(‘Erreur.. cam2’)

while True:
ret1, frame1 = camera1.read()
ret2, frame2 = camera2.read()

if ret1 and ret2:
# Appliquer YOLOv5 aux deux images
results1 = model(frame1)
results2 = model(frame2)

# Récupérer les images avec les détections
frame1 = results1.render()[0]
frame2 = results2.render()[0]

# Concaténer les images pour l’affichage
frame = cv2.hconcat([frame1, frame2])
cv2.imshow(“Cameras”, frame)

if cv2.waitKey(1) & 0xFF == ord(‘q’):
break

camera1.release()
camera2.release()
cv2.destroyAllWindows()

1. Importation des bibliothèques nécessaires : Le script commence par importer cv2 (OpenCV) pour la capture vidéo et le traitement d’images, ainsi que torch, une bibliothèque de machine learning qui permet de charger et d’utiliser le modèle YOLOv5.
2. Chargement du modèle YOLOv5 : Le modèle YOLOv5 est chargé depuis le dépôt ultralytics sur GitHub grâce à la fonction
   torch.hub.load

   , en spécifiant ‘yolov5x’ comme modèle pré-entraîné. ‘yolov5x’ est l’une des versions de YOLOv5, connue pour sa précision élevée, bien qu’elle soit plus gourmande en ressources que ses variantes plus petites.

3. Initialisation des caméras : Deux objets
   VideoCapture

   sont créés pour les deux caméras.

   cv2.VideoCapture(0)

   et

   cv2.VideoCapture(4)

   sont utilisés pour initialiser la première et la deuxième caméra, respectivement. Les indices des caméras (0 et 4 dans ce cas) dépendent de l’ordre dans lequel les caméras sont reconnues par le système.

4. Vérification de l’ouverture des caméras : Le script vérifie si chaque caméra a été correctement initialisée. Si une caméra ne peut pas être ouverte, un message d’erreur est affiché.
5. Boucle de traitement des images : Une boucle
   while True

   est utilisée pour lire les images de chaque caméra en continu.

   camera.read()

   renvoie un booléen qui indique si la lecture a été réussie (

   ret

   ) et l’image capturée (

   frame

   ).

6. Application de YOLOv5 aux images : Pour chaque image capturée, le modèle YOLOv5 est appliqué via
   model(frame)

   . Cela permet de détecter les objets dans l’image et de renvoyer les résultats, qui incluent les cadres de délimitation, les classes d’objets et les scores de confiance.

7. Rendu des détections : Les résultats de la détection sont rendus sur les images originales avec
   results.render()

   , qui superpose les cadres de délimitation et les étiquettes d’identification sur les objets détectés.

8. Affichage des images : Les images traitées de chaque caméra sont concaténées horizontalement avec
   cv2.hconcat

   et affichées dans une fenêtre nommée “Cameras”.

9. Sortie de la boucle : La boucle peut être interrompue par l’utilisateur en appuyant sur la touche ‘q’, permettant ainsi de fermer proprement les flux vidéo et de détruire toutes les fenêtres OpenCV ouvertes.

Ce script démontre la puissance et la flexibilité de combiner YOLOv5 et OpenCV pour la détection d’objets en temps réel sur plusieurs sources vidéo. L’application de telles technologies ouvre des horizons vastes pour des applications allant de la surveillance de sécurité avancée à des solutions innovantes dans le domaine de la recherche et au-delà.

OpenCV est une bibliothèque open-source largement utilisée pour le traitement d’images et la vision par ordinateur. Elle offre un large éventail de fonctions pour la reconstruction 3D et la stéréoscopie.

Stéréoscopie

La stéréoscopie est une technique permettant de créer une illusion de profondeur en combinant deux images prises à partir de points de vue légèrement différents. OpenCV propose plusieurs fonctions pour la stéréoscopie, notamment :

• Calibrage de la caméra: Cette étape est nécessaire pour déterminer les paramètres intrinsèques et extrinsèques des caméras utilisées pour capturer les images stéréo.
• Correspondance stéréo: Cette étape consiste à trouver les correspondances entre les pixels des deux images stéréo.
• Triangulation: Cette étape consiste à calculer les coordonnées 3D des points correspondants.

Reconstruction 3D

La reconstruction 3D est le processus de création d’un modèle 3D à partir d’images 2D. OpenCV propose plusieurs fonctions pour la reconstruction 3D, notamment :

• Nuage de points: Un nuage de points est un ensemble de points 3D qui représentent la surface d’un objet.
• Maillage: Un maillage est une collection de triangles qui connectent les points d’un nuage de points.
• Texture: La texture est une image qui est appliquée à la surface d’un maillage pour lui donner un aspect réaliste.

Exemple d’utilisation:

OpenCV peut être utilisé pour reconstruire un modèle 3D d’un objet à partir de deux images stéréo. La première étape consiste à calibrer les caméras et à trouver les correspondances entre les pixels des deux images. Ensuite, les coordonnées 3D des points correspondants peuvent être calculées par triangulation. Enfin, un nuage de points, un maillage et une texture peuvent être générés à partir des coordonnées 3D.

Ressources supplémentaires:

• Documentation d’OpenCV sur la stéréoscopie: https://docs.opencv.org/4.x/d9/db7/tutorial_py_table_of_contents_calib3d.html
• Documentation d’OpenCV sur la reconstruction 3D: <URL non valide supprimée>
• Tutoriel sur la reconstruction 3D avec OpenCV: <URL non valide supprimée>

N’hésitez pas à me poser des questions si vous avez besoin de plus d’informations.

La détection des couleurs est une tâche courante dans la vision par ordinateur. OpenCV, une bibliothèque populaire de traitement d’images, offre des fonctionnalités puissantes pour la détection des couleurs en Python. Dans cette série de sections, nous explorerons différentes méthodes de détection des couleurs et leur application pratique dans le domaine de la vision par ordinateur.

a détection de couleurs avec OpenCV en Python est un processus qui implique de filtrer une image pour identifier des objets en fonction de leurs couleurs. Voici les étapes de base pour détecter une couleur spécifique dans une image à l’aide d’OpenCV :

1. Installation d’OpenCV :
   • Assurez-vous que la bibliothèque OpenCV est installée dans votre environnement Python. Vous pouvez l’installer via pip :
     bashCopy code

     pip install opencv-python
2. Chargement de l’image :
   • Importez OpenCV (cv2) et chargez l’image que vous voulez traiter.
     pythonCopy code

     <span class="hljs-keyword">import</span> cv2
     
     <span class="hljs-comment"># Charger une image</span>
     image = cv2.imread(<span class="hljs-string">'chemin_de_votre_image.jpg'</span>)
3. Conversion de l’image en espace de couleur HSV :
   • Les images sont généralement en format RGB (Rouge, Vert, Bleu), mais pour la détection de couleurs, il est souvent plus facile de convertir l’image en format HSV (Teinte, Saturation, Valeur) car cela permet de séparer la teinte de la couleur de sa luminosité.
     pythonCopy code

     hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
4. Définir le seuil de couleur :
   • Définissez les seuils de la couleur que vous souhaitez détecter. Vous aurez besoin de définir un seuil inférieur et un seuil supérieur pour la teinte, la saturation et la valeur.
   • Par exemple, pour détecter la couleur verte :
     pythonCopy code

     <span class="hljs-comment"># Définir les seuils pour la couleur verte</span>
     vert_inf = (<span class="hljs-number">40</span>, <span class="hljs-number">40</span>, <span class="hljs-number">40</span>)   <span class="hljs-comment"># HSV inférieur</span>
     vert_sup = (<span class="hljs-number">70</span>, <span class="hljs-number">255</span>, <span class="hljs-number">255</span>) <span class="hljs-comment"># HSV supérieur</span>
5. Création d’un masque :
   • Créez un masque qui isolera la couleur désirée.
     pythonCopy code

     masque = cv2.inRange(hsv_image, vert_inf, vert_sup)
6. Application du masque à l’image :
   • Appliquez le masque à l’image originale pour extraire les parties de l’image qui correspondent à la couleur recherchée.
     pythonCopy code

     resultat = cv2.bitwise_and(image, image, mask=masque)
7. Affichage de l’image :
   • Utilisez
     cv2.imshow

     pour afficher l’image originale et le résultat de la détection de couleur.

     pythonCopy code

     cv2.imshow(<span class="hljs-string">'Image Originale'</span>, image)
     cv2.imshow(<span class="hljs-string">'Image avec Couleur Detectee'</span>, resultat)
     cv2.waitKey(<span class="hljs-number">0</span>)
     cv2.destroyAllWindows()

Gardez à l’esprit que la détection précise des couleurs peut dépendre de divers facteurs, y compris les conditions d’éclairage. Il se peut que vous deviez ajuster les seuils HSV pour obtenir les meilleurs résultats. Vous pouvez également utiliser des outils comme des curseurs (sliders) pour ajuster dynamiquement ces seuils et observer les effets en temps réel.