{"id":12688,"date":"2021-03-22T15:05:00","date_gmt":"2021-03-22T14:05:00","guid":{"rendered":"https:\/\/blog.ouidou.fr\/?p=12688"},"modified":"2024-08-30T16:03:23","modified_gmt":"2024-08-30T14:03:23","slug":"indexation-dimages-par-le-deep-learning-dans-le-big-data","status":"publish","type":"post","link":"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data","title":{"rendered":"Indexation d\u2019images par le Deep Learning dans le Big Data"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">\u00c9crit par Yassine Amraoui<\/p>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"cf78\">Avant de commencer<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"a9ad\">Le cortex visuel animal a inspir\u00e9 de nombreux scientifiques et a contribu\u00e9 \u00e0 la cr\u00e9ation des mod\u00e8les de r\u00e9seaux neuronaux actuels. Parmi les r\u00e9seaux de neurones existants, nous nous int\u00e9resserons \u00e0 une cat\u00e9gorie tr\u00e8s largement utilis\u00e9e dans la recherche multim\u00e9dia : les&nbsp;<strong>r\u00e9seaux de neurones convolutifs<\/strong>, aussi appel\u00e9s&nbsp;<strong>CNN (Convolutional Neural Network).<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"8684\">L\u2019objectif de cet article est de pr\u00e9senter les fondamentaux du Deep Learning via le cas particulier des CNN, ainsi que de montrer des id\u00e9es d\u2019utilisation de l\u2019apprentissage automatique dans la recherche d\u2019images.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"a923\"><strong>C\u2019est quoi le Deep Learning ?<\/strong><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"0dd8\">Il s\u2019agit d\u2019une forme d\u2019intelligence artificielle, d\u00e9riv\u00e9e du Machine Learning, permettant l\u2019apprentissage automatique.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"2819\">Basons-nous sur un exemple concret de machine learning afin de comprendre le principe. On part d\u2019une entr\u00e9e (input) qui est la repr\u00e9sentation vectorielle d\u2019une image repr\u00e9sentant le chiffre \u00ab 1 \u00bb. Le but du programme ici est de retrouver la classe de l\u2019image input, \u00e0 savoir la classe \u00ab 1 \u00bb, parmi les 10 classes existantes (correspondant aux chiffres de 0 \u00e0 9).<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/miro.medium.com\/v2\/resize:fit:1210\/1*EB0B2qK5XPNypj8R0EbxEg.png\" alt=\"\" loading=\"lazy\" \/><figcaption>De l\u2019image input \u00e0 la pr\u00e9diction de sa classe (source : DEEP LEARNING (CNN) (short seminar) Professeur Serge Miranda D\u00e9partement Informatique Universit\u00e9 de Nice Sophia Antipolis Directeur du Master MBDS)<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"72dd\">Le programme doit \u00ab apprendre \u00bb \u00e0 retrouver la classe de l\u2019image \u00e0 l\u2019aide&nbsp;<strong>d\u2019une base de donn\u00e9es d\u2019entra\u00eenement<\/strong>&nbsp;correspondant aux chiffres de 0 \u00e0 9). Cette base contient des couples form\u00e9es d\u2019images et de leur labels respectifs. Dans notre exemple pr\u00e9c\u00e9dent, le label d\u2019une image de la base d\u2019entra\u00eenement est le chiffre que cette image repr\u00e9sente.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"c440\">Un r\u00e9seau \u00ab entra\u00een\u00e9 \u00bb signifie que ses&nbsp;<strong>poids synaptiques<\/strong>&nbsp;sont ajust\u00e9s de sorte \u00e0 ressortir, \u00e0 l\u2019aide d\u2019une fonction d\u2019activation, la bonne classe en sortie. Les poids synaptiques correspondent aux coefficients multiplicateurs des valeurs en entr\u00e9e. Ces poids sont internes au r\u00e9seau, et ce sont eux que l\u2019on entra\u00eene lors de la phase d\u2019apprentissage. L\u2019ajustement des coefficients se d\u00e9roule jusqu\u2019\u00e0 ce que la machine retourne la bonne classe pour chaque image d\u2019entr\u00e9e, id\u00e9alement. Pourquoi id\u00e9alement, parce que concr\u00e8tement le r\u00e9seau n\u2019est pas fiable \u00e0 100% pour la plupart des pr\u00e9dictions r\u00e9alis\u00e9es de nos jours; l\u2019enjeu scientifique est d\u2019am\u00e9liorer l\u2019\u00e9tat de l\u2019art. L\u2019ajustement des coefficients utilise un algorithme dit de \u00ab r\u00e9duction de perte \u00bb, bas\u00e9 sur le principe de&nbsp;<a href=\"https:\/\/fr.wikipedia.org\/wiki\/Algorithme_du_gradient\" rel=\"noreferrer noopener\" target=\"_blank\"><strong>descente de gradient<\/strong><\/a>.<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/miro.medium.com\/v2\/resize:fit:840\/1*rZ1cZ71x7PhGd6AJMuEgHw.png\" alt=\"\" loading=\"lazy\" \/><figcaption>Caract\u00e9ristiques d\u2019un neurone (source : saagie.com)<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"b19e\">La somme des produits des valeurs d\u2019entr\u00e9e x(i) avec les poids synaptiques w(ij) renvoie une valeur. Cette valeur passe par une&nbsp;<strong>fonction d\u2019activation<\/strong>&nbsp;qui va permettre de savoir si le neurone doit s\u2019activer ou non. C\u2019est exactement ce que l\u2019on&nbsp;<strong>appelle la pr\u00e9diction du neurone<\/strong>&nbsp;: si la valeur est au-dessus d\u2019un seuil fix\u00e9, alors la valeur output du neurone sera non nul ; sinon il sera nul (neurone d\u00e9sactiv\u00e9). Si l\u2019on reprend l\u2019exemple du chiffre \u00ab 1 \u00bb en tant qu\u2019input et dans le cas d\u2019un r\u00e9seau entra\u00een\u00e9 au pr\u00e9alable, le neurone n\u00b00 retournerait 0, le neurone n\u00b01 retournerait 1 et les neurones n\u00b02 \u00e0 n\u00b09 retourneraient 0 aussi.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"4e0e\">L\u2019image ci-dessus repr\u00e9sente en fait un seul neurone. Cependant, un r\u00e9seau de neurone en contient plusieurs. Sch\u00e9matiquement, une s\u00e9rie verticale de neurones forment une couche du r\u00e9seau. Et un r\u00e9seau de type Deep Learning contient plusieurs couches.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"4fb3\"><strong>Machine Learning VS Deep Learning<\/strong><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"45ae\">Prenons le cas d\u2019une image requ\u00eate repr\u00e9sentant un dessin de la maison de nos r\u00eaves vue de l\u2019ext\u00e9rieur, et que l\u2019on souhaite retrouver dans une grande base de donn\u00e9es le top X des images les plus ressemblantes \u00e0 ce dessin. On peut faire entrer la repr\u00e9sentation vectorielle de l\u2019image en tant qu\u2019input dans notre syst\u00e8me de couches de neurones.<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/miro.medium.com\/v2\/resize:fit:1210\/1*gXo0oQUGA9P5SvceozM_MA.png\" alt=\"\" loading=\"lazy\" \/><figcaption>Machine Learning vs Deep Learning (source : le-coin-du-digital.com)<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"6ef7\"><strong>En Machine Learning comme en Deep Learning<\/strong>, on passe d\u2019un input (comme l\u2019image d\u2019une voiture dans la figure ci-dessus) \u00e0 un output des couches neuronales. Celles-ci transforment un vecteur en un autre. Les vecteurs deviennent plus grands au fur et \u00e0 mesure que l\u2019on se rapproche de la couche renvoyant l\u2019output : c\u2019est ce que l\u2019on verra par la suite.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"2ae1\">Lorsque l\u2019on veut classifier des images plus complexes que des repr\u00e9sentations de chiffres, deux couches de neurones ne suffiront pas \u00e0 retourner un vecteur caract\u00e9risant l\u2019image et donc le syst\u00e8me ne permettra pas de renvoyer l\u2019output. Un r\u00e9seau de type Deep Learning dispose donc d\u2019un r\u00e9seau de couches plus profond que celui propos\u00e9 par le Machine Learning. Ce grand nombre de couches permet de r\u00e9aliser une s\u00e9rie d\u2019op\u00e9rations sur l\u2019image input afin de retourner un&nbsp;<strong>feature (vecteur caract\u00e9ristique repr\u00e9sentant l\u2019image)<\/strong>&nbsp;tel que les derni\u00e8res couches du r\u00e9seau pourront utiliser pour classifier l\u2019image, c\u2019est-\u00e0-dire retourner sa classe.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"353b\">Ainsi,&nbsp;<strong>contrairement au Machine Learning, le Deep Learning<\/strong>&nbsp;int\u00e8gre la partie extraction de features au sein de son r\u00e9seau, en plus des derni\u00e8res couches de classification commune aux deux types d\u2019apprentissage automatique.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"e1ee\">En Machine Learning, l\u2019input n\u2019est pas forc\u00e9ment l\u2019image en elle-m\u00eame mais une repr\u00e9sentation vectorielle de celle-ci la caract\u00e9risant, que l\u2019on appelle un&nbsp;<strong>feature<\/strong>. En revanche, en Deep Learning, l\u2019entr\u00e9e peut \u00eatre directement l\u2019image puisque le r\u00e9seau dispose d\u2019un nombre de couches suffisant pour permettre d\u2019extraire les features de l\u2019image.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"fd19\"><strong>Les r\u00e9seaux de neurones convolutifs (CNN)<\/strong><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"04c7\">Un r\u00e9seau neuronal convolutif est un r\u00e9seau de type Deep Learning prenant un input -souvent ramen\u00e9 \u00e0 un vecteur- et retournant un output via des couches de neurones. Ces derni\u00e8res servent d\u2019extraction de caract\u00e9ristiques de l\u2019input : on obtient ainsi un (ou des) vecteurs caract\u00e9ristiques de l\u2019input.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"390e\">Les CNN sont tr\u00e8s utilis\u00e9s dans la recherche multim\u00e9dia, en particulier dans la recherche d\u2019images dans le Big Data. Dans un CNN, chaque couche de neurone joue un r\u00f4le particulier, bien qu\u2019elles aient toutes un objectif commun : ressortir les traits caract\u00e9ristiques de l\u2019input afin de ressortir la bonne classe output.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"b600\">La couche de Convolution<\/h3>\n\n\n\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/miro.medium.com\/v2\/resize:fit:1228\/1*T9Jw8TvjnTVIyunFgYAkrg.png\" alt=\"\" loading=\"lazy\" \/><figcaption>Filtre d\u2019une couche de convolution appliqu\u00e9 \u00e0 l\u2019image (source : cf. source \u201cDe l\u2019image input \u00e0 la pr\u00e9diction de sa classe\u201d)<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"394d\">L\u2019image ci-dessus repr\u00e9sente une image input symbolisant un \u00ab X \u00bb. Les pixels dessinant la lettre ont la valeur 1 (ou (255,255,255) en RGB). La couche de convolution va transformer cette matrice input en une autre matrice. Dans une couche de convolution, comme toute couche neuronale, chaque neurone a des poids reliant chaque pixels de l\u2019input \u00e0 lui-m\u00eame : ce sont le poids synaptiques vus pr\u00e9c\u00e9demment. Dans un CNN, ces poids forment ce que l\u2019on appelle des filtres.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"6b58\">Un&nbsp;<strong>filtre&nbsp;<\/strong>est donc un ensemble de valeurs visant \u00e0 \u00ab d\u00e9tecter \u00bb la pr\u00e9sence d\u2019un pattern dans l\u2019image. Dans l\u2019exemple ci-dessus, la matrice en haut \u00e0 gauche est un filtre visant \u00e0 savoir si ce qui est dessin\u00e9 sur celui-ci (un trait blanc en diagonal) est pr\u00e9sent sur l\u2019image requ\u00eate. Pour ce faire, ce filtre va parcourir toute l\u2019image. Le filtre se superpose \u00e0 l\u2019image et se d\u00e9cale d\u2019un cran \u00e0 chaque fois, de gauche \u00e0 droite et de haut en bas, et \u00e0 chaque \u00e9tape on note la valeur issue du&nbsp;<a href=\"https:\/\/fr.wikipedia.org\/wiki\/Produit_de_convolution\" rel=\"noreferrer noopener\" target=\"_blank\"><strong>produit de convolution<\/strong><\/a>&nbsp;entre ce filtre et sa superposition sur l\u2019image. La figure ci-dessus repr\u00e9sente l\u2019\u00e9tape o\u00f9 le filtre est \u00e0 l\u2019endroit o\u00f9 la superposition est \u00ab parfaite \u00bb (ie. filtre et image ont le m\u00eame dessin), et donc le produit de convolution donne une matrice de 1, comme l\u2019explique la figure. A chaque d\u00e9calage du filtre d\u2019un cran, on additionne les valeurs qui composent la matrice r\u00e9sultante, afin d\u2019obtenir une valeur. Lorsque le filtre a parcouru l\u2019ensemble de l\u2019image, on obtient la matrice ci-dessous (\u00e0 droite) :<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/miro.medium.com\/v2\/resize:fit:1210\/1*OcsgdRrBzhFKBgofcoZFYg.png\" alt=\"\" loading=\"lazy\" \/><figcaption>Feature r\u00e9sultante de l\u2019application du filtre sur l\u2019image (source : cf. source \u201cDe l\u2019image input \u00e0 la pr\u00e9diction de sa classe\u201d)<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"06f1\">Le filtre a bien d\u00e9tect\u00e9 la diagonale du \u00ab X \u00bb. Les filtres qui constituent la couche de convolution vont apporter des informations sur la pr\u00e9sence ou non de \u00ab formes \u00e9l\u00e9mentaires \u00bb sur l\u2019image input.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"86c5\">En sortie d\u2019une couche de convolution \u00e0 N filtres, on obtient une liste de N matrice que l\u2019on appelle des&nbsp;<strong>features map<\/strong>. N pouvant \u00eatre tr\u00e8s grand, et la matrice des features map pouvant parfois porter des informations redondantes, il existe des couches qui permettent de r\u00e9duire la taille des features map : c\u2019est le cas de la&nbsp;<strong>couche de Pooling<\/strong>.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"f22f\">La couche de Pooling<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"177e\">Le terme \u00ab pooling \u00bb signifie en fran\u00e7ais \u00ab mise en commun \u00bb, et c\u2019est exactement le principe cette couche.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"be66\">Il existe plusieurs types de Pooling, dont une tr\u00e8s connue que l\u2019on appelle&nbsp;<strong>Max Pooling<\/strong>, consistant \u00e0 r\u00e9duire la taille d\u2019une feature map en prenant la valeur maximale parmi celles sur le cadre parcourant toute la feature (la taille du cadre est fix\u00e9e au pr\u00e9alable).<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/miro.medium.com\/v2\/resize:fit:1210\/1*FO2owDGWLcOdUcRlELLUqg.png\" alt=\"\" loading=\"lazy\" \/><figcaption>Le Max Pooling (source : cf. source \u201cDe l\u2019image input \u00e0 la pr\u00e9diction de sa classe\u201d)<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"083c\">Dans l\u2019exemple de l\u2019image symbolisant un \u00ab X \u00bb, si l\u2019on r\u00e9alise un Max Pooling sur la feature map pr\u00e9sente \u00e0 gauche, on obtient une feature map plus petite, tout en conservant de l\u2019information sur la pr\u00e9sence ou non d\u2019une forme dans l\u2019image. Dans l\u2019exemple ci-dessus, lorsque le cadre (de taille 2*2) aura parcouru toute la feature map (de taille 7*7), on se retrouvera avec une matrice de taille 3 fois plus petite (4*4).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"ccaf\">D\u2019ailleurs, il se peut que certaines valeurs soient n\u00e9gatives et ce d\u00e8s l\u2019entr\u00e9e dans le CNN. Certaines couches, comme la couche ReLU, traitent ce cas.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"edc3\">La couche de ReLU<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"626f\">Pour chaque valeur x d\u2019une feature map, on la remplace par Max(0,x). Autrement dit, si x est positif alors la valeur reste la m\u00eame, et si x est n\u00e9gatif la valeur sera remplac\u00e9e par 0.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"14f9\">Maintenant que l\u2019on a extrait le feature de l\u2019image requ\u00eate \u00e0 l\u2019aide des diff\u00e9rentes couches, il est possible de classifier l\u2019image \u00e0 l\u2019aide des informations contenues dans ce feature.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"df39\">Classification d\u2018image<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"69fb\">Pour la partie classification, soit on part d\u2019une liste de features map, soit on transforme chaque feature map en un vecteur 1D et on concat\u00e8ne toutes ces listes pour obtenir un feature d\u2019une seule dimension. Ce dernier va passer par la partie classification du CNN -d\u00e9crite dans la partie Machine Learning- afin de pr\u00e9dire la classe associ\u00e9e \u00e0 l\u2019image requ\u00eate.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"9475\"><strong>Recherche multim\u00e9dia<\/strong><\/h2>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"4ee4\">Principe<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"2ec2\">La partie extraction de features d\u2019un r\u00e9seau de type CNN peut servir de base de recherche d\u2019images dans le Big Data.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"3772\">En effet, lorsque la phase d\u2019entra\u00eenement d\u2019un CNN donne un score \u00e9gal \u00e0 l\u2019\u00e9tat de l\u2019art (avec la partie classification), on peut utiliser ce CNN pour extraire les features de chaque image de la base de donn\u00e9es, comme expliqu\u00e9 dans les parties pr\u00e9c\u00e9dentes.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"a786\">Ainsi, lorsque l\u2019on veut rechercher dans une base de type Big Data les images les plus ressemblantes \u00e0 une image input, on passe cette derni\u00e8re dans le mod\u00e8le pour lui ressortir un feature -et sa classe par la m\u00eame occasion- et le but est de retrouver les images de la base de donn\u00e9es dont les features sont les \u00ab plus proches \u00bb du feature requ\u00eate. L\u2019expression \u00ab plus proche \u00bb correspond \u00e0 une m\u00e9trique que l\u2019on choisit en fonction des besoins. La plus commune est la distance euclidienne.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"695c\">Un algorithme connu utilisant une m\u00e9trique de distance est le&nbsp;<strong>KNN (K Nearest Neighbours)<\/strong>, qui consiste \u00e0 regrouper les features les plus proches en une r\u00e9gion, et de ressortir le top k des features les plus proches d\u2019un feature input dans cette r\u00e9gion, via une distance euclidienne par exemple.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"8737\">L\u2019architecture du moteur de recherche multim\u00e9dia ressemblerait donc \u00e0 ceci :<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/miro.medium.com\/v2\/resize:fit:1048\/1*C9uXq-AYWVNYO8qNWoAgUA.png\" alt=\"\" loading=\"lazy\" \/><figcaption>Architecture d\u2019un moteur de recherche d\u2019image en utilisant le CNN<\/figcaption><\/figure>\n\n\n\n<h3 class=\"wp-block-heading\" id=\"940a\">Cas concret d\u2019extraction de features avec VGG16<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"3804\">VGG16 est un r\u00e9seau neuronal convolutif ayant fait ses preuves dans les plus grandes comp\u00e9titions d\u00e9di\u00e9es au Deep Learning. Il a 16 couches et 138 millions de param\u00e8tres environ.<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/miro.medium.com\/v2\/resize:fit:940\/0*ZoRNBchYFlxw_tyo.png\" alt=\"\" loading=\"lazy\" \/><figcaption>Architecture du CNN VGG16 (source : researchgate.net)<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"39b0\">VGG16 dispose des \u00e9l\u00e9ments suivants :<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li>des couches de Convolution avec des filtres 3*3 avec un pas de 1<\/li><li>des couches de Max Pooling 2*2 avec un pas de 2<\/li><li>des couches Fully Connected pour aplatir des vecteurs<\/li><li>des couches ReLU associ\u00e9es \u00e0 chacune des couches cit\u00e9es<\/li><li>une couche Softmax pour normaliser le vecteur output provenant de la couche Fully Connected qui la pr\u00e9c\u00e8de<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"6f39\">Les deux derni\u00e8res couches, \u00e0 savoir Fully Connected et Softmax, sont les couches qui permettent de transformer les features en un vecteur output correspondant \u00e0 la classe de l\u2019image requ\u00eate : ce sont donc les couches responsables de la classification dans notre cas.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"3d4a\"><strong>La derni\u00e8re couche pr\u00e9c\u00e9dant la couche Fully Connected est une couche de Max Pooling, renvoyant un output de taille 7*7*512<\/strong>. Etant la couche qui est la plus profonde -donc celle qui renvoit les informations les plus pr\u00e9cies- et qui ne fait pas partie de la partie classification (mais plut\u00f4t de la partie extraction de features), c\u2019est par d\u00e9finition cette couche qui va fournir le feature optimal en output.<br><strong>De mani\u00e8re g\u00e9n\u00e9rale, dans un r\u00e9seau neuronal convolutif, on extrait les features depuis l\u2019une des derni\u00e8res couche d\u2019extraction, juste avant les couches de classification, car ce sont celles qui fournissent les features avec le plus de d\u00e9tails sur l\u2019image requ\u00eate.<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"ce3c\">De nos jours, il existe de nombreuses librairies, en particulier en Python, qui impl\u00e9mentent ces couches et les m\u00e9thodes d\u2019entra\u00eenement, de tests et de pr\u00e9diction. Ce que font la plupart des d\u00e9veloppeurs c\u2019est se servir de ces codes pour les inclure dans leur projets. Il n\u2019est pas utile de reconstruire son propre r\u00e9seau neuronal puisque l\u2019\u00e9tat de l\u2019art est d\u00e9j\u00e0 \u00e0 la pointe de la technologie et fournit les meilleurs r\u00e9sultats.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"7243\">Voici un exemple d\u2019impl\u00e9mentation de VGG16 sous Keras (librairie de Deep Learning Python) :<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/miro.medium.com\/v2\/resize:fit:1204\/0*9K9nA0n3-b8KC8xx.png\" alt=\"\" loading=\"lazy\" \/><figcaption>VGG16 sous Keras (soruce : towardsdatascience.com)<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"2582\">Ici, la librairie VGG16 est directement import\u00e9e avec ses poids synaptiques pr\u00e9-entra\u00een\u00e9e avec une base de donn\u00e9es d\u2019images cr\u00e9e par Google nomm\u00e9e&nbsp;<a href=\"http:\/\/www.image-net.org\/\" rel=\"noreferrer noopener\" target=\"_blank\"><em>ImageNet<\/em><\/a>. On redimensionne l\u2019image input (\u2018image_name.jpg\u2019) afin qu\u2019il corresponde \u00e0 ce que peut recevoir VGG16 en entr\u00e9e, puis on lance une pr\u00e9diction de la classe de cette image. En faisant un&nbsp;<em>print(features.shape)<\/em>, on constate que la taille du feature correspond exactement \u00e0 la taille du vecteur de sortie de la derni\u00e8re couche de Max Pooling pr\u00e9c\u00e9demment cit\u00e9e (7*7*512) :<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/miro.medium.com\/v2\/resize:fit:682\/0*DogdC0SNnchyYjzx.png\" alt=\"\" loading=\"lazy\" \/><figcaption>Output de print(features.shape) et print(features) (soruce : towardsdatascience.com)<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"afa2\">Si jamais le d\u00e9veloppeur veut extraire les features depuis la couche qu\u2019il d\u00e9sire, il est possible pour lui d\u2019appeler cette couche dans la m\u00e9thode comme suit :<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img decoding=\"async\" src=\"https:\/\/miro.medium.com\/v2\/resize:fit:1204\/0*VkGVIe5GspFQ9ZRj.png\" alt=\"\" loading=\"lazy\" \/><figcaption>Extraction des features depuis la couche block4_pool (soruce : towardsdatascience.com)<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"89d8\">La couche block4_pool dans VGG16 est l\u2019avant derni\u00e8re couche de MaxPooling.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"74a1\">Une fois les features extraits de cette fa\u00e7ons, il suffit d\u2019impl\u00e9menter une m\u00e9thode de distance entre deux vecteurs afin de trouver, parmi les features des images de la m\u00eame classe que l\u2019image requ\u00eate, ceux qui sont les plus proches du feature requ\u00eate.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"6920\">On peut ainsi d\u00e9velopper un moteur de recherche d\u2019images et donc trouver la maison de nos r\u00eaves dans une base de donn\u00e9es de type Big Data.<\/p>\n\n\n\n<h6 class=\"wp-block-heading\" id=\"7fbe\"><strong>Pour aller plus loin<\/strong><\/h6>\n\n\n\n<ul class=\"wp-block-list\"><li>Analyse des performances d\u2019un r\u00e9seau de type CNN :&nbsp;<a href=\"https:\/\/fr.wikipedia.org\/wiki\/Pr%C3%A9cision_et_rappel\" rel=\"noreferrer noopener\" target=\"_blank\">courbe rappel\/pr\u00e9cision<\/a><\/li><li>Optimisation du temps de recherche d\u2019images par une r\u00e9duction du nombre d\u2019informations d\u2019un feature : m\u00e9thode R-MAC (Regional Maximum Activation of Convolutions)<\/li><\/ul>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"b2e9\">Bibliographie<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"8d26\">GORDO A., End-to-end Learning of Deep Visual Representations for Image Retrieval [Version \u00e9lectronique], Mai, 1610.07940, (2016)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"c929\">HUAFENG W, Deep Learning for Image Retrieval : What works and what doesn\u2019t [Version \u00e9lectronique], Juillet, 2015.121, (2016)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"691b\">KRIZHEVSKY A, ImageNet Classification with Deep Convolutional Neural Networks, Advances in Neural Information Processing Systems 25, Juin, NIPS, (2017)<\/p>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"b984\">RUI Y, Image Retrieval : Current Techniques, Promising Directions, and Open Issues, Journal of Visual Communication and Image Representation 10, Avril, 0413.3962, (2017)<\/p>\n","protected":false},"excerpt":{"rendered":"<p>\u00c9crit par Yassine Amraoui Avant de commencer Le cortex visuel animal a inspir\u00e9 de nombreux scientifiques et a contribu\u00e9 \u00e0 la cr\u00e9ation des mod\u00e8les de r\u00e9seaux<span class=\"excerpt-hellip\"> [\u2026]<\/span><\/p>\n","protected":false},"author":10,"featured_media":12765,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","inline_featured_image":false,"fifu_image_url":"","fifu_image_alt":"","footnotes":""},"categories":[34,15],"tags":[],"class_list":["post-12688","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-articles-techniques","category-dev"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.9 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Indexation d\u2019images par le Deep Learning dans le Big Data - Ouidou<\/title>\n<meta name=\"description\" content=\"D\u00e9couvrez l&#039;indexation d&#039;images par le deep learning dans le big data gr\u00e2ce aux conseils de nos experts pour une gestion avanc\u00e9e des donn\u00e9es.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Indexation d\u2019images par le Deep Learning dans le Big Data - Ouidou\" \/>\n<meta property=\"og:description\" content=\"D\u00e9couvrez l&#039;indexation d&#039;images par le deep learning dans le big data gr\u00e2ce aux conseils de nos experts pour une gestion avanc\u00e9e des donn\u00e9es.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data\" \/>\n<meta property=\"og:site_name\" content=\"Ouidou\" \/>\n<meta property=\"article:published_time\" content=\"2021-03-22T14:05:00+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-08-30T14:03:23+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/ouidou.fr\/blog\/wp-content\/uploads\/2021\/03\/Graph-QL-17.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1620\" \/>\n\t<meta property=\"og:image:height\" content=\"849\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Sara Lourties\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"Sara Lourties\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"16 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/articles-techniques\\\/indexation-dimages-par-le-deep-learning-dans-le-big-data#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/articles-techniques\\\/indexation-dimages-par-le-deep-learning-dans-le-big-data\"},\"author\":{\"name\":\"Sara Lourties\",\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/#\\\/schema\\\/person\\\/e1d66085fb7c22ede319ce56adc373a4\"},\"headline\":\"Indexation d\u2019images par le Deep Learning dans le Big Data\",\"datePublished\":\"2021-03-22T14:05:00+00:00\",\"dateModified\":\"2024-08-30T14:03:23+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/articles-techniques\\\/indexation-dimages-par-le-deep-learning-dans-le-big-data\"},\"wordCount\":2860,\"publisher\":{\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/articles-techniques\\\/indexation-dimages-par-le-deep-learning-dans-le-big-data#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/wp-content\\\/uploads\\\/2021\\\/03\\\/Graph-QL-17.png\",\"articleSection\":[\"Articles Techniques\",\"Dev\"],\"inLanguage\":\"fr-FR\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/articles-techniques\\\/indexation-dimages-par-le-deep-learning-dans-le-big-data\",\"url\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/articles-techniques\\\/indexation-dimages-par-le-deep-learning-dans-le-big-data\",\"name\":\"Indexation d\u2019images par le Deep Learning dans le Big Data - Ouidou\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/articles-techniques\\\/indexation-dimages-par-le-deep-learning-dans-le-big-data#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/articles-techniques\\\/indexation-dimages-par-le-deep-learning-dans-le-big-data#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/wp-content\\\/uploads\\\/2021\\\/03\\\/Graph-QL-17.png\",\"datePublished\":\"2021-03-22T14:05:00+00:00\",\"dateModified\":\"2024-08-30T14:03:23+00:00\",\"description\":\"D\u00e9couvrez l'indexation d'images par le deep learning dans le big data gr\u00e2ce aux conseils de nos experts pour une gestion avanc\u00e9e des donn\u00e9es.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/articles-techniques\\\/indexation-dimages-par-le-deep-learning-dans-le-big-data#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/ouidou.fr\\\/blog\\\/articles-techniques\\\/indexation-dimages-par-le-deep-learning-dans-le-big-data\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/articles-techniques\\\/indexation-dimages-par-le-deep-learning-dans-le-big-data#primaryimage\",\"url\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/wp-content\\\/uploads\\\/2021\\\/03\\\/Graph-QL-17.png\",\"contentUrl\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/wp-content\\\/uploads\\\/2021\\\/03\\\/Graph-QL-17.png\",\"width\":1620,\"height\":849,\"caption\":\"Indexation d'images par le deep learning dans le big data - image banni\u00e8re article technique\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/articles-techniques\\\/indexation-dimages-par-le-deep-learning-dans-le-big-data#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Indexation d\u2019images par le Deep Learning dans le Big Data\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/#website\",\"url\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/\",\"name\":\"Blog Ouidou\",\"description\":\"Conseil et expertise en technologies\",\"publisher\":{\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/#organization\",\"name\":\"Ouidou\",\"url\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/wp-content\\\/uploads\\\/2022\\\/04\\\/image_2022-04-13_150237378.png\",\"contentUrl\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/wp-content\\\/uploads\\\/2022\\\/04\\\/image_2022-04-13_150237378.png\",\"width\":180,\"height\":180,\"caption\":\"Ouidou\"},\"image\":{\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/#\\\/schema\\\/logo\\\/image\\\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/ouidou.fr\\\/blog\\\/#\\\/schema\\\/person\\\/e1d66085fb7c22ede319ce56adc373a4\",\"name\":\"Sara Lourties\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/b2ef32f9fc1e16168b39587a2ec1dafedc70a9d41fa1b4a930ec7744b3e35ec7?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/b2ef32f9fc1e16168b39587a2ec1dafedc70a9d41fa1b4a930ec7744b3e35ec7?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/b2ef32f9fc1e16168b39587a2ec1dafedc70a9d41fa1b4a930ec7744b3e35ec7?s=96&d=mm&r=g\",\"caption\":\"Sara Lourties\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Indexation d\u2019images par le Deep Learning dans le Big Data - Ouidou","description":"D\u00e9couvrez l'indexation d'images par le deep learning dans le big data gr\u00e2ce aux conseils de nos experts pour une gestion avanc\u00e9e des donn\u00e9es.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data","og_locale":"fr_FR","og_type":"article","og_title":"Indexation d\u2019images par le Deep Learning dans le Big Data - Ouidou","og_description":"D\u00e9couvrez l'indexation d'images par le deep learning dans le big data gr\u00e2ce aux conseils de nos experts pour une gestion avanc\u00e9e des donn\u00e9es.","og_url":"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data","og_site_name":"Ouidou","article_published_time":"2021-03-22T14:05:00+00:00","article_modified_time":"2024-08-30T14:03:23+00:00","og_image":[{"width":1620,"height":849,"url":"https:\/\/ouidou.fr\/blog\/wp-content\/uploads\/2021\/03\/Graph-QL-17.png","type":"image\/png"}],"author":"Sara Lourties","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"Sara Lourties","Dur\u00e9e de lecture estim\u00e9e":"16 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data#article","isPartOf":{"@id":"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data"},"author":{"name":"Sara Lourties","@id":"https:\/\/ouidou.fr\/blog\/#\/schema\/person\/e1d66085fb7c22ede319ce56adc373a4"},"headline":"Indexation d\u2019images par le Deep Learning dans le Big Data","datePublished":"2021-03-22T14:05:00+00:00","dateModified":"2024-08-30T14:03:23+00:00","mainEntityOfPage":{"@id":"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data"},"wordCount":2860,"publisher":{"@id":"https:\/\/ouidou.fr\/blog\/#organization"},"image":{"@id":"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data#primaryimage"},"thumbnailUrl":"https:\/\/ouidou.fr\/blog\/wp-content\/uploads\/2021\/03\/Graph-QL-17.png","articleSection":["Articles Techniques","Dev"],"inLanguage":"fr-FR"},{"@type":"WebPage","@id":"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data","url":"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data","name":"Indexation d\u2019images par le Deep Learning dans le Big Data - Ouidou","isPartOf":{"@id":"https:\/\/ouidou.fr\/blog\/#website"},"primaryImageOfPage":{"@id":"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data#primaryimage"},"image":{"@id":"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data#primaryimage"},"thumbnailUrl":"https:\/\/ouidou.fr\/blog\/wp-content\/uploads\/2021\/03\/Graph-QL-17.png","datePublished":"2021-03-22T14:05:00+00:00","dateModified":"2024-08-30T14:03:23+00:00","description":"D\u00e9couvrez l'indexation d'images par le deep learning dans le big data gr\u00e2ce aux conseils de nos experts pour une gestion avanc\u00e9e des donn\u00e9es.","breadcrumb":{"@id":"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data#primaryimage","url":"https:\/\/ouidou.fr\/blog\/wp-content\/uploads\/2021\/03\/Graph-QL-17.png","contentUrl":"https:\/\/ouidou.fr\/blog\/wp-content\/uploads\/2021\/03\/Graph-QL-17.png","width":1620,"height":849,"caption":"Indexation d'images par le deep learning dans le big data - image banni\u00e8re article technique"},{"@type":"BreadcrumbList","@id":"https:\/\/ouidou.fr\/blog\/articles-techniques\/indexation-dimages-par-le-deep-learning-dans-le-big-data#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/ouidou.fr\/blog\/"},{"@type":"ListItem","position":2,"name":"Indexation d\u2019images par le Deep Learning dans le Big Data"}]},{"@type":"WebSite","@id":"https:\/\/ouidou.fr\/blog\/#website","url":"https:\/\/ouidou.fr\/blog\/","name":"Blog Ouidou","description":"Conseil et expertise en technologies","publisher":{"@id":"https:\/\/ouidou.fr\/blog\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/ouidou.fr\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/ouidou.fr\/blog\/#organization","name":"Ouidou","url":"https:\/\/ouidou.fr\/blog\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/ouidou.fr\/blog\/#\/schema\/logo\/image\/","url":"https:\/\/ouidou.fr\/blog\/wp-content\/uploads\/2022\/04\/image_2022-04-13_150237378.png","contentUrl":"https:\/\/ouidou.fr\/blog\/wp-content\/uploads\/2022\/04\/image_2022-04-13_150237378.png","width":180,"height":180,"caption":"Ouidou"},"image":{"@id":"https:\/\/ouidou.fr\/blog\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/ouidou.fr\/blog\/#\/schema\/person\/e1d66085fb7c22ede319ce56adc373a4","name":"Sara Lourties","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/secure.gravatar.com\/avatar\/b2ef32f9fc1e16168b39587a2ec1dafedc70a9d41fa1b4a930ec7744b3e35ec7?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/b2ef32f9fc1e16168b39587a2ec1dafedc70a9d41fa1b4a930ec7744b3e35ec7?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/b2ef32f9fc1e16168b39587a2ec1dafedc70a9d41fa1b4a930ec7744b3e35ec7?s=96&d=mm&r=g","caption":"Sara Lourties"}}]}},"_links":{"self":[{"href":"https:\/\/ouidou.fr\/blog\/wp-json\/wp\/v2\/posts\/12688","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ouidou.fr\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ouidou.fr\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ouidou.fr\/blog\/wp-json\/wp\/v2\/users\/10"}],"replies":[{"embeddable":true,"href":"https:\/\/ouidou.fr\/blog\/wp-json\/wp\/v2\/comments?post=12688"}],"version-history":[{"count":3,"href":"https:\/\/ouidou.fr\/blog\/wp-json\/wp\/v2\/posts\/12688\/revisions"}],"predecessor-version":[{"id":12764,"href":"https:\/\/ouidou.fr\/blog\/wp-json\/wp\/v2\/posts\/12688\/revisions\/12764"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ouidou.fr\/blog\/wp-json\/wp\/v2\/media\/12765"}],"wp:attachment":[{"href":"https:\/\/ouidou.fr\/blog\/wp-json\/wp\/v2\/media?parent=12688"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ouidou.fr\/blog\/wp-json\/wp\/v2\/categories?post=12688"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ouidou.fr\/blog\/wp-json\/wp\/v2\/tags?post=12688"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}