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.
Bien qu'étant un terme à la mode, l'intelligence artificielle, et surtout ses applications, est de plus en plus présente dans notre quotidien. Vous avez pu découvrir et tester nombre d'outils et de frameworks au travers de différents articles publiés dans ce même magazine tels que TensorFlow, Keras, PyTorch…
Ces outils permettent l'élaboration de réseaux neuronaux, classiques, conventionnels, récurrents... [2] [3] [4] [5]. Cependant, tous ces frameworks ont un défaut, si tant est que cela en soit un, celui de ne pas avoir d'interface graphique permettant la création du réseau neuronal lui-même. En particulier pour les néophytes qui souhaitent découvrir et s'exercer. Certes après apprentissage, le modèle peut être sauvegardé sous différents formats PB, ONNX [6] pour être inféré ensuite dans l'application finale. Toutefois, lors de sa construction, le réseau de neurones est défini via une succession de lignes de code décrivant chaque couche du réseau....
- Accédez à tous les contenus de Connect en illimité
- Découvrez des listes de lecture et des contenus Premium
- Consultez les nouveaux articles en avant-première
[1] L. DELMAS, « Réalisez une interface interactive pour vos applications avec PyQt5 », GNU/Linux Magazine n°252, octobre 2021, https://connect.ed-diamond.com/gnu-linux-magazine/glmf-252/realisez-une-interface-interactive-pour-vos-applications-avec-pyqt5
[2] L. DELMAS, « Réseaux de Neurones Convolutifs : un cortex visuel virtuel pour la reconnaissance d’images », GNU/Linux Magazine n°230, octobre 2019, https://connect.ed-diamond.com/GNU-Linux-Magazine/glmf-230/reseaux-de-neurones-convolutifs-un-cortex-visuel-virtuel-pour-la-reconnaissance-d-image
[3] A. STARK, « Auto-encodeurs probabilistes », GNU/Linux Magazine n°255, janvier 2022,
https://connect.ed-diamond.com/gnu-linux-magazine/glmf-255/auto-encodeurs-probabilistes
[4] G. SAUPIN, « Auto-Captch me if you can!… jouons avec Keras et les captchas », GNU/Linux Magazine HS n°106, janvier 2020, https://connect.ed-diamond.com/GNU-Linux-Magazine/glmfhs-106/captch-me-if-you-can...-jouons-avec-keras-et-les-captchas
[5] T. COLOMBO, « Apprentissage supervisé à l’aide de réseaux de neurones », GNU/Linux Magazine n°198, novembre 2016, https://connect.ed-diamond.com/GNU-Linux-Magazine/glmf-198/apprentissage-supervise-a-l-aide-de-reseaux-de-neurones
[6] O. WULVERYCK, « Utiliser simplement un réseau de neurones sur Raspberry Pi grâce à ONNX et Go », GNU/Linux Magazine HS n°106, janvier 2020, https://connect.ed-diamond.com/GNU-Linux-Magazine/glmfhs-106/utiliser-simplement-un-reseau-de-neurones-sur-raspberry-pi-grace-a-onnx-et-go
[7] T.COLOMBO, « Gestion de projets Python avec Pyenv et Pipenv : effet de mode ou solution efficace ? », GNU/Linux Magazine HS n°106, janvier 2020, https://connect.ed-diamond.com/GNU-Linux-Magazine/GLMFHS-106/Gestion-de-projets-Python-avec-Pyenv-et-Pipenv-effet-de-mode-ou-solution-efficace
[8] S. CHAZALLET, « Les environnements virtuels : pourquoi et comment les utiliser », GNU/Linux Magazine HS n°110, septembre 2020, https://connect.ed-diamond.com/GNU-Linux-Magazine/GLMFHS-110/Les-environnements-virtuels-pourquoi-et-comment-les-utiliser
[9] D. BODOR, « Utilisez Docker pour vos environnements de développement », Hackable n°41, mars 2022 : https://connect.ed-diamond.com/hackable/hk-041/utilisez-docker-pour-vos-environnements-de-developpement
[10] Liste des drapeaux disponibles pour les items,
https://doc.qt.io/qt-5/qgraphicsitem.html#GraphicsItemFlag-enum
