Ce cours vous apprend à affiner de puissants modèles de vision et à optimiser leur apprentissage pour obtenir des performances concrètes. Vous commencerez par appliquer l'apprentissage par transfert à un modèle ViT-B/16 pré-entraîné, en apprenant à « geler » et à « dégeler » de manière sélective certaines couches afin d'adapter des représentations visuelles générales à des ensembles de données spécifiques à un domaine, tels que les images de produits vendus au détail. Vous analyserez et comparerez ensuite différentes stratégies de taux d’apprentissage, notamment la décroissance cosinus et la politique « one-cycle », afin de comprendre comment chacune d’elles influe sur la stabilité de l’entraînement, la vitesse de convergence et la précision de validation. Grâce à des travaux pratiques, à la consignation des expériences et à l’interprétation des courbes d’entraînement, vous vous exercerez à prendre des décisions éclairées concernant les couches à mettre à jour, le programme de taux d’apprentissage à sélectionner et la manière d’équilibrer précision et efficacité de l’entraînement. À l’issue de ce cours, vous serez en mesure d’affiner efficacement des modèles basés sur des transformateurs et de choisir des stratégies de taux d’apprentissage qui réduisent le temps d’entraînement sans sacrifier les performances.