Delmas Laurent

Actuellement, les systèmes sont de plus en plus complexes dans le sens multiphysique et nécessitent donc des outils adaptés qui permettent de prendre en compte cet aspect multiphysique. De plus, l’approche systémique ou ingénierie des systèmes définit un système comme l’interaction de plusieurs composants. Pour répondre à ce besoin a été créé en 1995 le langage Modelica dont l’objectif est de modéliser et de simuler des systèmes dynamiques hybrides. Par hybride est entendue la combinaison de systèmes continus et discrets.

Vous vous demandez certainement : pourquoi une nouvelle librairie graphique ? Encore une ! Comme à chaque fois, cette librairie apporte son lot de nouvelles fonctionnalités, à commencer par l'aspect multiplateforme et surtout la variété d'interfaces physiques accessibles, dont le multi-touch des appareils tactiles. De plus, cette librairie est accompagnée d'un nouveau langage (ou syntaxe) pour la description visuelle de l'interface graphique. Nous allons découvrir cela tout au long de cet article.

La création de jeux vidéo fait de plus en plus appel à des frameworks spécialisés tels que Unity, Godot [1] [2] [3] [4] [5] [6], Blender ou plus modestement, mais pas des moindres Pygame [7] [8]. Cependant sans grande prétention, il est tout à fait possible de réaliser un jeu vidéo relativement simple et d'autant plus son interface graphique lorsqu'il s'agit d'un jeu de cartes, comme nous allons le voir dans cet article avec Tkinter.

Parmi les principaux frameworks graphiques figurent bien évidemment Qt et GTK, mais également wxWidget, anciennement wxWindow et son implémentation Python dénommée wxPython, qui reste un peu plus méconnue du grand public. Cependant, nombre d'applications l'utilisent comme Audacity, Code::Block, Kicad...

L'évolution technologique que nous vivons depuis plus d'une décennie (eh oui, encore elle, et ce n'est pas terminé) s'accompagne par de nombreux changements, voire bouleversements dans bien des domaines, à commencer par le développement des Interfaces Homme-Machine, couramment appelée IHM. Ces dernières ne se résument plus à la mise en œuvre de simples fenêtres rectangulaires, où les actions se cantonnent à de vulgaires clics effectués via un curseur mu lui-même par une souris, mais à une interface complète intégrant ainsi des moyens de commande de plus en plus complexes, tels que des commandes tactiles, vocales, gestuelles, visuelles, haptiques...

Au moment de la rédaction de cet article est publiée une mise à jour de Qt, à savoir la version 6.3, qui n'apporte pas de grandes innovations, mais corrige nombre de bugs. Dans un article précédent [1], nous avions utilisé PyQt5, car tous les modules n'étaient pas encore disponibles en version 6. C'est chose faite. Nous allons donc utiliser PyQt6 dans cet article pour mettre en œuvre le framework Graphics View. Cela permettra de voir, via la construction d’une interface graphique dédiée à la création de réseaux de neurones, les petites différences entre PyQt5 et PyQt6.

Ces dernières années, l'évolution technologique et la multiplication des données qui en résultent ont mis en avant nombre d'innovations. En particulier dans le domaine de l'intelligence artificielle, où il ne se passe pas un jour sans qu'un article ne soit publié dans la presse. Quel que soit le domaine, l'intelligence artificielle (Machine Learning, Deep Learning...) repose sur des outils mathématiques plus ou moins complexes, mais nécessite cependant une grande quantité de données pour la phase d’entraînement du modèle.

Avec la place de plus en plus importante que prennent les objets connectés dans la vie de tous les jours, il est devenu naturel d'avoir des écrans tout autour de soi qui affichent une multitude d'informations. Dans cet article, nous allons nous focaliser sur l’implémentation Python de la librairie Qt pour créer une interface graphique, quelle qu'en soit l'application.

Une fois n'est pas coutume, nous allons découvrir et utiliser une alternative à OpenCV, scikit-image communément appelé skimage. Nous implémenterons la reconnaissance d'images avec la méthode des histogrammes de gradients orientés (HOG : Histogram of Oriented Gradients) associée à une machine à vecteurs de support (SVM : Support Vector Machine). Cette méthode est employée dans bien des applications telles que l'automobile, pour la détection de piétons [1].