Analyse d'image : qu'est-ce que c'est et comment l'utiliser

par Kim Actualisé: Le 29 juin 2022

L'analyse d'images est un outil puissant pour extraire des informations à partir d'images.

Cela peut être utilisé à diverses fins, du suivi des changements dans l'environnement à la reconnaissance faciale en passant par l'analyse d'images médicales.

Dans cet article, nous vous donnerons une brève introduction à l'analyse d'images et comment vous pouvez l'utiliser. Nous aborderons la définition de l'analyse d'images, les différentes techniques et outils disponibles, et les applications potentielles de l'analyse d'images.

Définition de l'analyse d'images

L'analyse d'images est un outil utilisé pour obtenir un aperçu de numérique images. Il est couramment utilisé dans divers domaines tels que la médecine, la recherche scientifique, la surveillance, le traitement d'images et bien d'autres.

Il s'agit essentiellement d'un processus de collecte de données à partir d'une image et d'analyse des données pour obtenir des informations sur le contenu de l'image. L'analyse d'image permet de fournir des informations sur la qualité ou les caractéristiques d'une image telles que sa taille, sa forme, son intensité/luminosité, Couleur composition ou son plan d'étage.

Il existe plusieurs techniques utilisées dans l'analyse d'images telles que les techniques de transformation spatiale telles que l'extraction de sous-images et le traitement de blocs; des techniques d'extraction de caractéristiques qui trouvent des points ou des régions d'intérêt à l'aide de détecteurs de bords ou d'algorithmes de traçage des frontières ; les techniques de classification qui classent les objets en catégories ; les techniques de segmentation qui analysent les objets de l'arrière-plan ; et des algorithmes de reconnaissance de formes qui reconnaissent des objets à l'aide de méthodes statistiques.

En utilisant des outils d'analyse d'images pour des applications telles que la détection d'objets et la reconnaissance faciale, il peut améliorer l'expérience utilisateur lors de l'utilisation de médias numériques. Il est également possible d'utiliser l'analyse pour la recherche scientifique afin d'évaluer les corrélations entre les limites définies au sein d'une seule ou d'un groupe d'images. Enfin, cette technologie est également utilisée de manière significative par les professionnels de la santé dans des spécialités telles que la radiologie et la pathologie pour diagnostiquer diverses conditions sur la base d'images numérisées prises sur des patients.

Types d'analyse d'images

L'analyse d'images est l'extraction d'informations significatives à partir d'images numériques. C'est un terme très large qui couvre de nombreux types de tâches liées à l'image, y compris la reconnaissance et l'identification d'objets, la mesure de formes, la reconnaissance de formes, l'analyse de scènes et la classification.

Il existe de nombreux types de techniques d'analyse d'images ; certains des plus courants incluent:
-pixelAnalyse basée sur l'espace/basée sur l'espace – Ce type d'analyse implique le comptage manuel de pixels individuels ou de groupes de pixels pour mesurer les zones (taille, forme) et les densités (distribution).
-Analyse statistique - Cette approche utilise des méthodes statistiques pour évaluer les caractéristiques associées aux régions d'une image telles que le contraste ou la luminosité.
- Apprentissage automatique/Intelligence artificielle - Les algorithmes d'intelligence artificielle (IA) permettent de puissantes tâches de traitement d'image automatisées telles que la détection d'objets ou la segmentation sémantique à l'aide de réseaux de neurones convolutifs (CNN).
-Analyse de texture - Cette technique mesure la façon dont les éléments d'une image sont distribués les uns par rapport aux autres en termes de texture - la variation des niveaux de gris ou des couleurs sur une grande surface.
-Analyse d'histogramme - L'analyse d'histogramme implique généralement la mesure de distributions statistiques dans une image telles que le contraste, la luminosité, la teinte et la saturation.
-Techniques de filtrage - Les techniques de filtrage impliquent des opérations mathématiques sur un tableau d'intensité traité entier qui modifient certaines parties du tableau tout en préservant les autres. Les filtres sont souvent utilisés pour améliorer les bords ou supprimer le bruit d'une image en lissant ces zones indésirables.
-Techniques de transformation de Fourier - Cette méthode utilise des transformations de Fourier qui décomposent les images en plusieurs composants en fonction des plages de fréquences et/ou des orientations présentes dans la trame d'entrée. Cela permet d'isoler des pièces et des objets qui peuvent avoir des caractéristiques particulières par rapport à l'apparence générale d'autres composants dans le cadre - telles que des différences de texture ou de forme - permettant une détection plus facile des objets pendant les processus de segmentation .

Avantages de l'analyse d'images

L'analyse d'images est un outil inestimable pour obtenir des informations à partir d'images numériques. Il est utilisé pour reconnaître des modèles, identifier des objets et extraire des informations significatives des médias. De la recherche médicale à la reconnaissance faciale, l'analyse d'images peut bénéficier à un large éventail d'industries. Ici, nous allons explorer les avantages de l'analyse d'images et comment elle peut être utilisée pour améliorer divers domaines.

expérience client améliorée

L'analyse d'images peut contribuer à améliorer l'expérience client, permettant aux entreprises de comprendre rapidement et avec précision les préférences des clients. En mettant en œuvre des techniques d'analyse d'images, les entreprises peuvent utiliser les données d'images telles que la démographie, les emplacements et les réponses émotionnelles pour mieux cibler leur publicité ou personnaliser le contenu pour les clients. L'utilisation de ces données peut conduire à un meilleur engagement avec les clients ainsi qu'à une augmentation des ventes pour l'entreprise.

L'analyse d'images aide également les entreprises à mieux comprendre le contexte de leurs images. Par exemple, la technologie de reconnaissance des couleurs permet aux entreprises d'identifier les couleurs d'une image et de déterminer comment elles sont associées à des produits ou services. Ces informations peuvent aider les entreprises à mieux comprendre les comportements des clients concernant un service ou un produit particulier. De plus, les entreprises peuvent utiliser la technologie de reconnaissance d'objets pour identifier les objets dans une image et mieux comprendre les préférences des clients en fonction des objets qu'ils préfèrent.

Enfin, l'analyse d'images permet aux entreprises de collecter des données plus rapidement tout en maintenant la précision du processus. Les entreprises n'ont plus besoin d'examiner manuellement des centaines d'images lorsqu'elles tentent de déterminer les préférences des clients ; ils sont plutôt capables d'automatiser ce processus en utilisant des techniques d'analyse d'images qui améliorent considérablement l'efficacité tout en obtenant des résultats précis de son analyse des images. Cela signifie que les clients accèdent à la publicité personnalisée plus rapidement que jamais, ce qui permet aux entreprises d'offrir une meilleure expérience utilisateur globale à leurs clients.

Précision et efficacité accrues

L'analyse d'images offre de nombreux avantages aux entreprises, notamment une précision et une efficacité accrues. En analysant les images au lieu de s'appuyer sur des méthodes manuelles ou textuelles, l'analyse d'images peut réduire considérablement les erreurs de saisie de données et accélérer le temps de traitement d'une tâche donnée.

L'analyse d'image élimine également le besoin de passer au crible manuellement de grandes quantités d'informations. Au lieu de cela, un algorithme peut trouver rapidement des données pertinentes et identifier des modèles à interpréter facilement par les humains. Cela accélère le processus de prise de décision et minimise les erreurs coûteuses potentielles dues à une erreur humaine ou à un oubli.

De plus, l'analyse d'images facilite l'identification rapide de modèles dans des ensembles de données incroyablement volumineux qui prendraient des milliers d'heures de travail à parcourir manuellement. Cela réduit considérablement les coûts de main-d'œuvre tout en augmentant simultanément la précision et l'efficacité. L'analyse d'images permet également aux organisations de quantifier les tendances qu'elles auraient autrement manquées avec les méthodes traditionnelles, les aidant ainsi à prendre de meilleures décisions plus rapidement que jamais.
En utilisant la technologie d'analyse d'images, les entreprises peuvent minimiser les erreurs de saisie de données et réduire les coûts de main-d'œuvre tout en augmentant la précision et l'efficacité de leurs opérations. Cela conduit à une meilleure capacité de prise de décision et à des résultats plus précis qui sont dérivés d'ensembles de données beaucoup plus volumineux que ce qui pourrait être obtenu en utilisant uniquement les méthodes traditionnelles.

Prise de décision améliorée

L'utilisation de l'analyse d'images dans les entreprises pour aider à la prise de décision peut améliorer l'efficacité et aider les organisations à mieux gérer leurs ressources. Grâce aux diverses techniques et technologies impliquées, une organisation a la capacité de traiter et d'analyser rapidement des images provenant de différentes sources. Cela les aide à prendre des décisions éclairées presque instantanément.

L'analyse d'images peut aider les organisations à trier, identifier et évaluer les données afin de hiérarchiser les tâches ou les objectifs stratégiques. Il permet également une analyse rapide des modèles complexes dans les images, ce qui permet de gagner un temps précieux sur les tâches de prise de décision de niveau supérieur. De plus, l'analyse d'images peut aider les entreprises à découvrir des tendances ou des problèmes récurrents qui auraient autrement pu passer inaperçus.

Les organisations exploitent de plus en plus la puissance des technologies d'analyse d'images telles que les applications d'intelligence artificielle (IA) et d'apprentissage automatique (ML) pour créer des modèles prédictifs qui leur donnent un aperçu de ce qui se passera en termes de comportements des clients et des conditions du marché à l'avenir. À ce stade, les équipes d'analyse du marché parcourent en permanence les images qu'elles ont collectées à partir de sources telles que les sites Web concurrents et les canaux numériques. Avec les bons outils, ces équipes peuvent déterminer rapidement comment les clients interagissent avec les produits ou services d'une organisation afin de créer des informations exploitables qui offrent un avantage concurrentiel sur les autres dans l'industrie.

L'analyse d'images joue aujourd'hui un rôle essentiel dans les opérations commerciales en fournissant aux organisations un accès à des informations précieuses basées sur des données qui stimulent la croissance et le progrès plus rapidement que jamais.

Comment utiliser l'analyse d'image

L'analyse d'image est un moyen efficace de traiter de grandes quantités de données d'image et d'en extraire des informations utiles. L'analyse d'images implique l'utilisation d'algorithmes informatiques pour déterminer la signification d'une image. Il peut être utilisé pour une variété de tâches telles que la reconnaissance d'objets, la reconnaissance faciale et la segmentation d'images. Dans cette section, nous verrons comment l'analyse d'images peut être utilisée et certaines de ses applications.

Segmentation d'image

La segmentation d'image est une branche du traitement d'image dans laquelle une image est divisée en plusieurs segments, ou régions, qui forment ensemble l'image entière. Chaque segment représente une zone d'intérêt dans l'image et peut être considéré comme un objet discret en soi. Le but de la segmentation est de simplifier et/ou de changer la représentation d'une image en quelque chose de plus significatif et plus facile à analyser. Les techniques de segmentation sont utilisées en imagerie médicale pour une variété de tâches, allant de l'identification des structures anatomiques à la surveillance de la progression de la maladie. De plus, les algorithmes de segmentation sont des composants clés des systèmes de surveillance automatisés et peuvent être utilisés pour les tâches de navigation robotique et la détection d'objets.

Les algorithmes de segmentation reposent généralement sur des méthodes basées sur les pixels ou sur des méthodes basées sur la classification. Les méthodes basées sur les pixels utilisent des indications telles que la couleur ou la texture pour diviser une image en segments séparés. Alternativement, les méthodes basées sur la classification combinent des catégories basées sur des caractéristiques descriptives telles que la forme ou la texture afin de regrouper automatiquement les pixels en segments/objets appropriés.

La segmentation basée sur les pixels vise généralement à séparer les objets par leurs valeurs d'intensité ou de contraste en calculant des statistiques globales (par exemple, la valeur moyenne) sur une région entière. Les approches basées sur la classification nécessitent souvent une saisie manuelle et un étiquetage avant que l'algorithme puisse commencer à fonctionner ; Cependant, ces méthodes sont très puissantes lorsqu'il s'agit de grands ensembles de données ou de types de données inconnus qui ne peuvent pas être séparés avec succès en utilisant uniquement les valeurs de pixel.

Classification des images

La classification des images est le processus d'utilisation d'algorithmes informatiques pour prédire et étiqueter les classes dans une image donnée. Dans ce processus, il est courant d'avoir une « collection » d'images d'entraînement étiquetées qui servent d'entrée dans un algorithme d'apprentissage. Sur la base de ces images d'entraînement, des caractéristiques telles que la taille, la forme et la couleur sont extraites de l'image et utilisées pour la classification des images. Cette technique permet d'obtenir des résultats plus précis par rapport à l'étiquetage manuel, où les humains peuvent faire des erreurs en raison d'erreurs de classification ou d'étiquetage.

Etant donné une image inconnue, on peut appliquer un classifieur existant qui attribue alors à cette entrée spécifique une catégorie de sortie selon le nombre prédéfini de classes distinctes. Certains exemples d'utilisations de cette gamme vont des systèmes de conduite automobile autonomes lui donnant des capacités de reconnaissance d'objets à la détection faciale dans les applications biométriques. De plus, le fait de disposer de données étiquetées précises grâce à la classification des images peut donner une meilleure idée de notre environnement en exploitant d'énormes ensembles de données gouvernementales pour une analyse plus approfondie, en particulier dans les corrélations entre les types d'objets et les applications commerciales telles que l'analyse de la vente au détail ou l'analyse du divertissement.

De la mise en œuvre de réseaux de neurones avec des techniques d'optimisation GPU afin d'obtenir un traitement parallèle jusqu'à diverses formes d'apprentissage automatique, il existe d'innombrables façons de former des modèles d'IA ou d'utiliser des techniques d'apprentissage en profondeur dans le domaine de la classification d'images ; bien que l'apprentissage non supervisé présente encore de nombreux obstacles empêchant les chercheurs de les utiliser pleinement au maximum de leur potentiel, ces méthodes sont toujours activement explorées et recherchées. Ainsi, comprendre comment les mettre en œuvre nécessite une compréhension complète des algorithmes de vision par ordinateur ainsi que de solides connaissances techniques impliquant des pratiques d'ingénierie back-end telles que les langages de script comme Python à des fins de mise en œuvre, ainsi qu'une connaissance intime des technologies émergentes telles que la blockchain ou l'infrastructure sans serveur. implémentations

Détection d'objets

La détection d'objets est une technologie et une technique informatisées permettant d'assurer la précision de l'analyse d'un ensemble de données d'images. Cette technologie utilise divers algorithmes sophistiqués pour identifier les objets et leurs caractéristiques dans des images facilement identifiables. Il joue un rôle majeur dans de nombreux domaines, tels que la médecine légale, la science médicale, l'automatisation industrielle, l'identification faciale et les systèmes d'inspection automatisés.

La détection d'objets implique l'analyse ou la collecte de données pour déterminer la taille, la forme et d'autres propriétés d'objets spécifiques dans une image. Ce type d'analyse d'image peut inclure l'identification d'objets en fonction de leur couleur, de leur texture ou même des formes qu'ils créent lorsqu'ils sont placés ensemble. L'utilisation de modèles mathématiques et de méthodes statistiques rend la tâche beaucoup plus facile pour les ordinateurs de nos jours.

L'objectif principal ici est d'identifier avec précision chaque objet qui apparaît dans un jeu de données d'image en utilisant les étiquettes d'attribut qui lui sont attribuées. L'algorithme doit être entraîné au préalable avec de nombreuses données, y compris de « bons » exemples pour des prédictions précises sur les caractéristiques de chaque objet cible avant le début de l'entraînement. Une fois la formation terminée et la prévision réussie, elle sera suivie de phases telles que l'inférence où le résultat attendu d'une entrée donnée fonctionne avec les résultats obtenus à partir d'études antérieures.

Des technologies telles que les algorithmes d'apprentissage en profondeur (DL) permettent d'utiliser plusieurs couches qui, ensemble, permettent d'obtenir des résultats plus précis dans un délai plus court que les méthodes traditionnelles ne pouvaient fournir avant qu'elles ne soient disponibles dans ce type de configuration matérielle de traitement utilisée aujourd'hui. En fin de compte, cela rend les méthodes assistées par l'IA telles que Deep Learning plus attrayantes que les approches conventionnelles, car elles réduisent considérablement les erreurs tout en fournissant des mesures de précision de détection d'objets efficaces qui peuvent également produire facilement des résultats dans des scénarios en temps réel.

Outils d'analyse d'images

L'analyse d'images est un processus qui consiste à extraire des informations significatives à partir d'images par ses méthodologies de calcul. Ce processus est utilisé dans une variété de domaines, tels que l'imagerie médicale, l'intelligence artificielle et la télédétection. Heureusement, il existe une variété d'outils disponibles pour l'analyse d'images, ce qui rend le processus plus facile et plus efficace. Examinons quelques-uns des outils disponibles pour l'analyse d'images.

OpenCV

OpenCV est une bibliothèque de fonctions de programmation principalement destinées à la vision par ordinateur en temps réel. Il prend en charge diverses fenêtres, Linux, plates-formes et autres plates-formes logicielles et, par conséquent, il est souvent utilisé pour des tâches d'analyse et de traitement d'images. Les domaines d'application d'OpenCV comprennent : la vision par ordinateur, la reconnaissance faciale, l'identification d'objets, le suivi de mouvement, la segmentation et la reconnaissance.

OpenCV propose une large gamme d'outils puissants pouvant être utilisés pour effectuer des tâches complexes telles que la détection d'objets, la reconnaissance faciale, l'extraction automatique de caractéristiques, etc. Il a une communauté active qui fournit des solutions conviviales aux problèmes courants. La bibliothèque a été conçue pour s'intégrer à de nombreux langages de programmation tels que C++, Java ou Python. La bibliothèque permet aux développeurs de travailler avec des images dans les langues de leur choix, réduisant ainsi considérablement le temps de développement. OpenCV prend en charge tout type de données (comme les images en formation 2D et 3D), ce qui en fait l'outil le plus polyvalent parmi toutes les bibliothèques de traitement d'images disponibles aujourd'hui.

Les outils inclus dans OpenCV sont :
-Filtrage d'images
-Segmentation d'objet
-Extraction de fonctionnalités
-Mise en correspondance et classification des fonctionnalités
-Suivi d'objets et analyse de mouvement
-Reconstruction 3D d'objets à étudier

Ses outils sont largement utilisés pour l'inspection visuelle automatisée dans les environnements industriels en raison de ses caractéristiques avantageuses telles que la faible consommation de mémoire, l'exécution rapide sur la plupart des plates-formes (en particulier celles embarquées), la portabilité entre les systèmes utilisant des bibliothèques standard comme OpenMPI/MPI4Py. Sa licence open source le rend encore plus attractif pour les utilisateurs qui souhaitent l'utiliser sans aucun paiement de redevances ou licences d'entreprises ou d'organisations comme mathworks etc…

TensorFlow

TensorFlow est une bibliothèque de logiciels open source utilisée pour développer et former des modèles d'apprentissage en profondeur. Les systèmes d'apprentissage en profondeur, tels que les modèles d'analyse d'images, sont constitués de plusieurs couches de neurones qui traitent les données d'entrée, telles qu'une image. TensorFlow permet aux développeurs de développer et de déployer plus facilement des modèles d'apprentissage en profondeur de pointe qui peuvent être utilisés dans la vision, le traitement du langage naturel et d'autres domaines.

Le principal avantage de l'utilisation de TensorFlow est qu'il offre un moyen simple de créer et de déployer rapidement et efficacement de puissants modèles d'apprentissage automatique. TensorFlow prend également en charge une large gamme d'applications sur MacOS, Windows, Linux et les plates-formes mobiles. Et parce qu'il est open source et bénéficie d'un support communautaire riche, vous pouvez utiliser les outils existants dans votre processus de développement sans avoir à réinventer les rouages ​​ou à passer plus de temps à déboguer le code à partir de zéro.

En plus de former de nouveaux modèles à partir de zéro, TensorFlow vous permet également de réutiliser des modèles pré-formés pour un apprentissage par transfert ou un réglage fin sur des ensembles de problèmes spécifiques. Cela permet de créer rapidement des solutions personnalisées adaptées à des problèmes particuliers tout en tirant parti des connaissances existantes intégrées aux réseaux existants. Avec cette flexibilité en main, les développeurs peuvent commencer à expérimenter différentes architectures plus rapidement que jamais - en les mettant en place et en les faisant fonctionner avec des résultats de haute précision en un rien de temps.

Google Cloud Vision

Google Cloud Vision est un puissant outil de traitement d'images conçu pour aider les entreprises à analyser les images et à obtenir des informations précieuses. Il est basé sur la même technologie utilisée par Google Photos, ce qui le rend fiable et facile à utiliser. Cet outil basé sur le cloud permet aux entreprises de traiter rapidement de grandes quantités d'images, de détecter des visages, d'identifier des objets et d'extraire du texte tout en évitant le travail manuel.

Une autre grande fonctionnalité de Google Cloud Vision est sa capacité à identifier des objets à partir d'un large éventail de catégories comme les animaux ou les produits. Grâce à la fonction de « détection de logo », les utilisateurs peuvent se connecter à des marques telles que Facebook ou Instagram pour obtenir des informations détaillées sur le suivi et l'analyse. La fonction de « détection de points de repère » aide les utilisateurs à repérer les points de repère autour d'eux et à mieux comprendre leur culture locale en un instant.

Outre les capacités de reconnaissance d'objets, Google Cloud Vision fournit également aux utilisateurs une analyse des sentiments ainsi qu'un outil de sous-titrage automatisé pour les images, parfait pour une analyse instantanée ! De plus, cet outil offre des capacités de reconnaissance faciale qui sont idéales à des fins de marketing car ils détectent des attributs tels que l'âge et le sexe avec une grande précision. Enfin, les capacités d'extraction de mots-clés permettent aux utilisateurs de parcourir rapidement les images d'entrée tout en trouvant des mots-clés pertinents pouvant être utilisés dans des processus ou des applications ultérieurs.

En conclusion, Google Cloud Vision est une excellente option lorsque vous recherchez un outil de traitement d'images pour aider les entreprises à analyser leurs images plus efficacement que jamais !

Conclusion

L'analyse d'images est un outil puissant pour recueillir des informations à partir d'images numériques. Il peut être utilisé dans de nombreux domaines différents tels que la médecine, l'automobile et la photographie. Les avantages de l'utilisation de l'analyse d'images sont nombreux et peuvent économiser du temps, de l'argent et des efforts. Dans cet article, nous avons examiné les bases de l'analyse d'image, ce qu'elle est et comment elle peut vous être utile. Nous avons également discuté des différents types d'analyse et des meilleures pratiques pour une analyse d'image réussie. En conclusion, il est évident que l'analyse d'images est un outil puissant pour recueillir des informations et prendre des décisions éclairées fondées sur des données.

Résumé

Le choix des torréfactions pour votre café dépend de la saveur et de la force que vous préférez ainsi que de vos préférences régionales. Différents torréfacteurs offrent un large éventail de noms et de catégories de couleurs, mais en général, les torréfactions légères auront une saveur plus douce et une teneur en caféine légèrement plus élevée, tandis que les torréfactions foncées sont plus amères avec moins d'acidité. Les types populaires de chacun incluent Light City, Half City, Cinnamon, City, American, Breakfast, Full City, High Continental New Orleans European Espresso Viennois Italien Français. Que vous soyez un fan de grains de café clairs ou foncés, ou quelque part entre les deux, assurez-vous de demander avant d'acheter afin d'obtenir exactement ce que vous cherchez !

Lectures complémentaires

L'utilisation de l'analyse d'images pour mieux comprendre et tirer des conclusions à partir d'images devient de plus en plus populaire dans un large éventail d'industries, des soins de santé à la sécurité. Si vous souhaitez en savoir plus sur cette technologie, consultez les ressources suivantes :

Articles et tutoriels
-« Analyse d'image : qu'est-ce que c'est et comment l'utiliser » par Oracle
- "Une introduction à l'analyse d'images pour les personnes qui ne connaissent rien à l'analyse d'images" par Kent Woodard
-« 8 étapes vers la compréhension de l'analyse et du traitement d'images dans l'apprentissage automatique » par Victor Charpenay
Livres et publications
-Traitement d'images : principes et applications par Milan Sonka et al.
-Computer and Machine Vision - Theory, Algorithms, Practicalities (4th Ed.) par ER Davies
-Traitement d'images numériques avec OpenCV - Bibliographie (Ver 4.1) compilée par David Dardas Webinaires et podcasts
- Webinaire sur la vision par ordinateur via l'apprentissage automatique hébergé par Treehouse AI
-Machine Learning Fundamentals Podcast hébergé par Google Cloud Platform Il existe également de nombreux autres livres, articles, webinaires, podcasts, ateliers et autres ressources disponibles qui peuvent vous aider à mieux comprendre la méthodologie d'analyse d'images ainsi que son utilisation pour des applications spécifiques.

Salut, je suis Kim, une maman et une passionnée de stop-motion avec une formation en création de médias et en développement web. J'ai une énorme passion pour le dessin et l'animation, et maintenant je plonge tête première dans le monde du stop-motion. Avec mon blog, je partage mes apprentissages avec vous.