Etudiant : AMRAOUY EL HOUSSINE

Filière : LF Sciences Mathématiques et Informatique

Encadrant : Pr. EN-NAHNAHI NOUREDDINE

Annèe : 2022

Résumé : Ce projet présente un système de vidéo-surveillance à une classe de cours intelligente basé sur la reconnaissance faciale à l’aide d’une séquence de réseaux de neurones utilisant OpenVINO. Le système peut détecte sept actions de base (assis, debout, lever la main, En écrivant, retourné, allongé sur le bureau, démontrer), suivre les personnes en fonction de leur visage plus la mesure de la distance entre elles, reconnaître quatre inférences parallèles pour les réseaux reconnaissance de l’âge/sexe, Estimation de la pose de la tête, Reconnaissance des émotions (neutre, heureux, triste, surprise, colère) et Détection des repères faciaux dans l’environnement de classe. Sachant que l’environnement OpenVINO fait de l'inférence d'apprentissage en profondeur CNN sur le bord. Il prend en charge l'exécution hétérogène sur les accélérateurs de vision par ordinateur, réduire le temps de mise sur le marché grâce à la fonction de bibliothèques qui optimise les appels pour OpenCV et OpenVX et noyaux pré-optimisés. Chaque livre auquel nous avons fait référence au cours des dernières années a toujours l'auteur mentionnez que l'apprentissage en profondeur nécessite beaucoup de puissance de calcul pour fonctionner. C'est la raison pour laquelle nous avons besoin de GPU. Les GPU sont généralement utilisés pour former des modèles CNN et incluent des tonnes de calculs pour faire des prédictions. La société NVIDIA utilise CUDA et cuDNN pour apprentissage en profondeur, fournissant le meilleur GPU et le meilleur support logiciel. Cependant, les GPU sont relativement extrêmement coûteux qui coûte généralement 2 à 3 fois celui du calcul du processeur les instances. Par conséquent, vous ne pouvez pas exécuter votre inférence de modèle d'apprentissage en profondeur sur peu coûteux dispositifs. Par exemple, vous n'appliquerez pas un GPU coûteux qui coûte des milliers de ringgits à un appareil IoT tel que (Raspberry PI ou carte Intel UP Squared). Heureusement, le développeur peut éliminer cette difficulté en implémentant OpenVINO sur les appareils IoT et faites-lui utiliser le processeur pour inférer en temps réel.