3D Geodata Academy
Support de Cours
Architecte IA de Systèmes 3D
120 heures
6 Modules
12 Semaines
Modalite : FOAD Asynchrone
Auteur : Dr. Florent Poux
Version : 1.0 · Mars 2026
Preambule
"Ce support de cours est votre guide central tout au long de la formation Architecte IA de Systemes 3D. Il structure votre parcours, relie les ressources entre elles et vous accompagne de la premiere ligne de code Python jusqu'a la soutenance de votre projet final."
Comment naviguer dans ce document
Ce document est organise en 6 modules progressifs, chacun couvrant deux semaines de formation. Chaque module presente ses objectifs pedagogiques, son contenu detaille, les ressources associees, les livrables attendus et les modalites d'evaluation. Nous vous recommandons de le parcourir lineairement lors de votre premiere lecture, puis de l'utiliser comme reference au fil de votre progression.
Une approche progressive et cumulative
La formation suit une logique de montee en competences progressive : chaque module s'appuie sur les acquis du precedent. Le Module 1 pose les fondations Python et 3D, le Module 2 introduit l'automatisation, et ainsi de suite jusqu'au Module 6 ou vous integrez l'ensemble dans un projet de production complet. Il est essentiel de valider les competences de chaque module avant de passer au suivant.
Ressources et accompagnement
- Espace documentaire : Un espace Google Drive dedie vous est fourni des votre inscription. Il contient l'ensemble des supports complementaires : datasets, slides, templates de code et ressources bibliographiques.
- Supports de code : Chaque module est accompagne de notebooks Jupyter et de scripts Python commentes, disponibles sur un depot Git dedie. Ces supports permettent de reproduire et d'etendre les exercices presentes.
- Mentorat : Vous beneficiez d'un accompagnement personnalise par le formateur tout au long de la formation, avec des retours detailles sur chaque livrable.
- Articles de blog : Les articles du blog 3D Geodata Academy sont des ressources complementaires de premier plan. Ils detaillent les concepts theoriques et offrent des tutoriels pas-a-pas que vous retrouverez references dans chaque module. Utilisez-les pour approfondir un sujet ou reviser une notion.
Document vivant. Ce support de cours est mis a jour a chaque cohorte pour integrer les retours des stagiaires, les evolutions technologiques et les nouvelles ressources. La version que vous consultez est la version 1.0 de Mars 2026.
Organisation de la Formation
La formation se deploie sur 12 semaines (120 heures), decoupees en 6 modules de 20 heures chacun. Le tableau ci-dessous offre une vue synthetique avant le detail de chaque module.
| Module | Intitule | Semaines | Heures |
|---|---|---|---|
| 1 | 3D Python Systems | S1 – S2 | 20h |
| 2 | 3D Automation | S3 – S4 | 20h |
| 3 | BIM & Digital Twins | S5 – S6 | 20h |
| 4 | Deep Learning 3D | S7 – S8 | 20h |
| 5 | Neural Rendering & Spatial AI | S9 – S10 | 20h |
| 6 | Production Systems & Portfolio | S11 – S12 | 20h |
Module 1 · 3D Python Systems
Semaines 1-2
20 heures
Fondamental
Objectifs pedagogiques
- Maitriser les structures de donnees Python adaptees a la manipulation de nuages de points 3D (arrays NumPy, KD-Trees, octrees).
- Charger, visualiser et explorer des jeux de donnees 3D reels dans differents formats (.las, .ply, .xyz).
- Implementer des algorithmes de segmentation geometrique et semantique sur des nuages de points.
- Comprendre les fondements mathematiques des transformations 3D (rotations, translations, mise a l'echelle).
Contenu detaille
- Introduction a l'ecosysteme Python pour la 3D : NumPy, Open3D, PyVista.
- Formats de donnees 3D et pipelines d'ingestion (LAS/LAZ, PLY, E57, XYZ).
- Structures de donnees spatiales : KD-Trees, Octrees, Voxel Grids.
- Visualisation interactive de nuages de points avec Open3D.
- Filtrage statistique et nettoyage de donnees (SOR, ROR).
- Segmentation planaire (RANSAC) et segmentation basee sur des regions.
- Clustering spatial (DBSCAN, HDBSCAN) applique aux nuages de points.
- Calcul de normales, courbures et descripteurs geometriques locaux.
Ressources associees
Articles de reference :
- Le Guide Ultime du Nuage de Points avec Python : Fondations completes pour la manipulation de nuages de points en Python.
- Segmentation de Nuages de Points avec Python : Methodes de segmentation geometrique et clustering appliques.
Livrables attendus
- Livrable 1.1 : Notebook Python complet de chargement, nettoyage et visualisation d'un dataset LiDAR reel.
- Livrable 1.2 : Script de segmentation automatique d'un nuage de points en classes geometriques (sol, vegetation, bati) avec export des resultats.
- Livrable 1.3 : Rapport technique (2-3 pages) documentant la demarche, les parametres choisis et les resultats obtenus.
Evaluation
| Composante | Poids | Description |
|---|---|---|
| Quiz de connaissances | 20% | QCM sur les structures de donnees 3D et les algorithmes fondamentaux. |
| Projet de module | 60% | Qualite du code, pertinence des parametres, qualite de la segmentation. |
| Rapport technique | 20% | Clarte de la documentation, analyse critique des resultats. |
Module 2 · 3D Automation
Semaines 3-4
20 heures
Intermediaire
Objectifs pedagogiques
- Concevoir des pipelines de traitement automatises pour des volumes de donnees LiDAR massifs (Big Data 3D).
- Maitriser le traitement de donnees LiDAR acquises par drone, de l'acquisition brute au produit final.
- Implementer des workflows de reconstruction 3D a partir de photographies (photogrammetrie).
- Optimiser les performances de traitement par le parallelisme et la gestion memoire.
Contenu detaille
- Architecture de pipelines de traitement 3D : conception modulaire et reproductible.
- Gestion du Big Data LiDAR : tiling, streaming, traitement par lots.
- PDAL et pipelines declaratifs pour l'automatisation du traitement LiDAR.
- Traitement de donnees LiDAR drone : calibration, geo-referencement, classification.
- Photogrammetrie et Structure-from-Motion (SfM) : principes et implementation Python.
- Reconstruction 3D dense : Multi-View Stereo et generation de maillages.
- Parallelisme en Python : multiprocessing, Dask et traitement distribue.
- Tests unitaires et integration continue pour les pipelines 3D.
Ressources associees
Articles de reference :
- LiDAR et Big Data 3D avec Python : Strategies de traitement de volumes LiDAR massifs.
- Traitement LiDAR Drone avec Python : Pipeline complet de traitement de donnees drone.
- Reconstruction 3D a partir de Photos : De la prise de vue a la reconstruction 3D dense.
Livrables attendus
- Livrable 2.1 : Pipeline de traitement automatise (script Python + fichier de configuration) capable de traiter un jeu de donnees LiDAR de plus d'un million de points.
- Livrable 2.2 : Reconstruction 3D complete a partir d'un jeu de photos fourni, avec generation de nuage dense et maillage texture.
- Livrable 2.3 : Documentation technique du pipeline incluant un diagramme d'architecture et un benchmark de performances.
Evaluation
| Composante | Poids | Description |
|---|---|---|
| Quiz de connaissances | 15% | QCM sur les concepts d'automatisation, formats et optimisation. |
| Pipeline automatise | 50% | Robustesse, modularite, gestion des erreurs, performance. |
| Reconstruction 3D | 20% | Qualite geometrique du resultat, completude du pipeline. |
| Documentation | 15% | Clarte du diagramme d'architecture et pertinence du benchmark. |
Module 3 · BIM & Digital Twins
Semaines 5-6
20 heures
Intermediaire
Objectifs pedagogiques
- Comprendre et manipuler le format IFC (Industry Foundation Classes) avec Python et IfcOpenShell.
- Automatiser le processus Scan-to-BIM : du nuage de points au modele BIM structure.
- Modeliser et exploiter des jumeaux numeriques urbains a l'aide du standard CityGML.
- Integrer des donnees heterogenes (LiDAR, BIM, SIG) dans un environnement de jumeau numerique.
Contenu detaille
- Introduction au BIM et au format IFC : concepts, classes, relations et proprietes.
- IfcOpenShell : lecture, ecriture et manipulation programmatique de fichiers IFC.
- Extraction de geometries et de metadonnees depuis des modeles BIM.
- Scan-to-BIM : detection automatique d'elements architecturaux dans un nuage de points.
- Reconstruction parametrique d'elements BIM a partir de primitives detectees.
- CityGML et modelisation urbaine 3D : LOD (Levels of Detail), semantique urbaine.
- Jumeaux numeriques : architecture, flux de donnees et cas d'usage industriels.
- Integration multi-sources : fusion LiDAR + BIM + donnees cadastrales.
Ressources associees
Articles de reference :
- IFC et Python : IfcOpenShell · Tutoriel complet sur la manipulation de fichiers IFC avec Python.
- Scan-to-BIM Automatique avec Python : Automatisation du processus de conversion nuage de points vers BIM.
- Jumeau Numerique Urbain avec CityGML : Construction et exploitation de jumeaux numeriques urbains.
Livrables attendus
- Livrable 3.1 : Script Python d'extraction et d'analyse de donnees depuis un fichier IFC (inventaire des elements, calcul de surfaces, export CSV).
- Livrable 3.2 : Prototype de pipeline Scan-to-BIM : detection de murs et de dalles dans un nuage de points avec export IFC.
- Livrable 3.3 : Mini-jumeau numerique urbain : chargement CityGML, enrichissement avec donnees attributaires, visualisation 3D interactive.
Evaluation
| Composante | Poids | Description |
|---|---|---|
| Quiz de connaissances | 15% | QCM sur les standards BIM, IFC et CityGML. |
| Analyse IFC | 25% | Pertinence de l'extraction, qualite du code IfcOpenShell. |
| Pipeline Scan-to-BIM | 35% | Precision de la detection, qualite de l'export IFC. |
| Jumeau numerique | 25% | Completude du modele, qualite de la visualisation, integration de donnees. |
Module 4 · Deep Learning 3D
Semaines 7-8
20 heures
Avance
Objectifs pedagogiques
- Comprendre les architectures de reseaux de neurones specialisees pour les donnees 3D non-structurees (PointNet, PointNet++).
- Entrainer et evaluer des modeles de classification et de segmentation semantique de nuages de points.
- Explorer les modeles de fondation (Foundation Models) appliques aux donnees spatiales 3D.
- Mettre en oeuvre des pipelines d'entrainement reproductibles avec PyTorch et gestion GPU.
Contenu detaille
- Rappels de Deep Learning : architectures, fonctions de perte, optimisation.
- PointNet : architecture, T-Net, invariance aux permutations, implementation PyTorch.
- PointNet++ : echantillonnage hierarchique, groupement local, propagation de features.
- Segmentation semantique 3D : preparation des donnees, entrainement, evaluation (mIoU, OA).
- Data augmentation pour les nuages de points : rotations, jittering, scaling.
- Foundation Models 3D : architectures pre-entrainees, transfer learning spatial.
- Zero-shot et few-shot learning sur des donnees 3D.
- Bonnes pratiques : gestion du GPU, mixed precision, logging avec TensorBoard/W&B.
Ressources associees
Articles de reference :
- PointNet : Tutoriel Python · Implementation complete de PointNet pour la classification de nuages de points.
- PointNet++ Segmentation · Segmentation semantique avancee avec PointNet++.
- Foundation Models pour la 3D · Etat de l'art des modeles de fondation pour les donnees spatiales.
Livrables attendus
- Livrable 4.1 : Implementation de PointNet pour la classification d'objets 3D sur un dataset de reference (ModelNet ou ShapeNet), avec rapport de performances.
- Livrable 4.2 : Pipeline de segmentation semantique avec PointNet++ sur un jeu de donnees LiDAR reel, incluant data augmentation et evaluation quantitative.
- Livrable 4.3 : Etude comparative : performance d'un Foundation Model 3D vs. modele entraine from scratch sur un cas d'usage specifique.
Evaluation
| Composante | Poids | Description |
|---|---|---|
| Quiz de connaissances | 15% | QCM sur les architectures de Deep Learning 3D et les metriques. |
| Classification PointNet | 30% | Qualite de l'implementation, accuracy obtenue, rigueur experimentale. |
| Segmentation PointNet++ | 35% | Pipeline complet, mIoU obtenu, qualite de la data augmentation. |
| Etude comparative | 20% | Pertinence de l'analyse, qualite de l'argumentation scientifique. |
Module 5 · Neural Rendering & Spatial AI
Semaines 9-10
20 heures
Avance
Objectifs pedagogiques
- Maitriser les techniques de rendu neuronal (NeRF, 3D Gaussian Splatting) et comprendre leurs forces respectives.
- Implementer un pipeline de 3D Gaussian Splatting de bout en bout, de la capture a la visualisation.
- Concevoir des agents IA spatiaux capables de raisonner sur des donnees 3D a l'aide de LLMs.
- Evaluer les cas d'usage industriels de l'IA Spatiale Agentique en entreprise.
Contenu detaille
- Neural Radiance Fields (NeRF) : principes, architecture, entrainement et limites.
- 3D Gaussian Splatting : representation par gaussiennes, rasterisation differentiable, optimisation.
- Comparatif NeRF vs 3DGS : qualite, vitesse, cas d'usage, evolution de l'etat de l'art.
- Capture et preparation de donnees pour le rendu neuronal.
- LLMs et donnees spatiales : architectures de couplage (LangChain, embeddings 3D).
- Conception d'agents IA spatiaux : requetes en langage naturel sur des scenes 3D.
- Cas d'usage entreprise : inspection industrielle, urbanisme, patrimoine, immobilier.
- Deploiement et mise en production de modeles de rendu neuronal.
Ressources associees
Articles de reference :
- 3D Gaussian Splatting Tutoriel · Tutoriel complet sur le 3D Gaussian Splatting, de la theorie a l'implementation.
- NeRF vs 3D Gaussian Splatting : Comparatif, Analyse comparative detaillee des deux approches de rendu neuronal.
- Agent Spatial avec LangChain · Construction d'agents IA capables de raisonner sur des donnees 3D.
- Agents IA Spatiaux en Entreprise : Applications industrielles de l'IA Spatiale Agentique.
Livrables attendus
- Livrable 5.1 : Pipeline de 3D Gaussian Splatting fonctionnel sur un jeu de donnees fourni, avec rendu de nouvelles vues et evaluation de la qualite (PSNR, SSIM).
- Livrable 5.2 : Prototype d'agent spatial : un agent LangChain capable de repondre a des questions sur une scene 3D chargee en memoire.
- Livrable 5.3 : Note de synthese (3-4 pages) sur un cas d'usage entreprise de l'IA Spatiale, incluant architecture technique proposee et analyse de faisabilite.
Evaluation
| Composante | Poids | Description |
|---|---|---|
| Quiz de connaissances | 15% | QCM sur NeRF, 3DGS, architectures agentiques. |
| Pipeline 3DGS | 30% | Qualite du rendu, metriques PSNR/SSIM, documentation du pipeline. |
| Agent spatial | 30% | Pertinence des reponses, architecture du systeme, robustesse. |
| Note de synthese | 25% | Qualite de l'analyse, pertinence du cas d'usage, faisabilite technique. |
Module 6 · Production Systems & Portfolio
Semaines 11-12
20 heures
Expert
Objectifs pedagogiques
- Integrer l'ensemble des competences acquises (Modules 1 a 5) dans un projet de production complet et deployable.
- Concevoir une architecture logicielle robuste pour un systeme IA 3D en production.
- Constituer un portfolio professionnel demontrant la maitrise de la chaine complete de valeur.
- Presenter et defendre un projet technique devant un jury lors de la soutenance finale.
Contenu detaille
- Architecture de systemes IA 3D en production : microservices, APIs, containerisation (Docker).
- Gestion de donnees a grande echelle : stockage, versioning, pipelines ETL 3D.
- CI/CD pour les projets de Machine Learning 3D : MLOps, reproductibilite, monitoring.
- Deploiement d'applications 3D : web viewers, APIs REST, streaming de donnees.
- Constitution du portfolio : selection des projets, documentation, mise en forme professionnelle.
- Preparation de la soutenance : storytelling technique, demonstration live, anticipation des questions.
- Revue de code par les pairs et integration des retours.
- Synthese des competences et plan de developpement professionnel post-formation.
Ressources associees
Ressources d'integration :
Ce module final mobilise l'ensemble des ressources des modules precedents. Les articles suivants servent de reference pour l'integration :
Livrables attendus
- Livrable 6.1 : Projet final complet : un systeme IA 3D deployable integrant au moins 3 briques technologiques des modules precedents (ex. : pipeline LiDAR + Deep Learning + Agent Spatial).
- Livrable 6.2 : Projet final structuré : code documenté, README, fichier de configuration, tests, Dockerfile (livré via la plateforme LMS).
- Livrable 6.3 : Portfolio professionnel presentant les projets realises tout au long de la formation.
- Livrable 6.4 : Support de presentation pour la soutenance finale (slides ou demonstration interactive).
Evaluation
| Composante | Poids | Description |
|---|---|---|
| Projet final | 45% | Complexite technique, integration des briques, qualite de l'architecture. |
| Projet final structuré | 15% | Structure du code, documentation, reproductibilite, tests. |
| Portfolio | 15% | Selection des projets, qualite de la mise en forme, coherence globale. |
| Soutenance (45 min) | 25% | Clarte de la presentation, maitrise technique, qualite des reponses aux questions. |
Ressources Complementaires
Au-dela des articles de blog et des supports de cours, plusieurs ressources sont mises a votre disposition pour enrichir votre experience de formation.
Espace documentaire Google Drive
Un espace Google Drive partage est attribue a chaque cohorte. Il contient :
- Les datasets 3D utilises dans les exercices et projets (nuages de points, modeles IFC, fichiers CityGML).
- Les slides de cours au format PDF.
- Les templates de code et notebooks de demarrage pour chaque module.
- Les ressources bibliographiques complementaires (articles scientifiques, documentation technique).
Acces : Les identifiants et le lien d'acces a l'espace documentaire vous sont communiques par e-mail dès la validation de votre inscription. En cas de difficulte d'acces, contactez howto@learngeodata.eu.
Supports de code (Git / Notebooks)
Chaque module dispose d'un depot Git dedie contenant :
- Des notebooks Jupyter interactifs avec cellules de code commentees et exercices integres.
- Des scripts Python modulaires prets a l'emploi et extensibles.
- Des fichiers de configuration d'environnement (requirements.txt, environment.yml) pour garantir la reproductibilite.
- Des jeux de tests unitaires pour valider vos implementations.
Communaute Discord
Un serveur Discord dedie a la formation vous permet de :
- Echanger avec les autres stagiaires de votre cohorte et des promotions precedentes.
- Poser des questions techniques et obtenir de l'aide rapidement.
- Partager vos avancees, vos decouvertes et vos projets.
- Acceder a des canaux thematiques par module (ex. : #module-4-deeplearning, #module-5-nerf).
Office Hours (sessions synchrones optionnelles)
Des sessions de questions-reponses en direct sont organisees de maniere hebdomadaire :
- Format : Visioconference d'1 heure, ouverte a tous les stagiaires de la cohorte.
- Frequence : Une session par semaine, generalement le vendredi apres-midi.
- Contenu : Reponses aux questions, debug en live, demonstrations complementaires, retours sur les livrables.
- Replay : Toutes les sessions sont enregistrees et mises a disposition sur l'espace documentaire.
Attention : Les Office Hours sont optionnelles mais vivement recommandees. Elles representent un moment privilegie d'echange direct avec le formateur et sont souvent l'occasion de debloquer des points de difficulte.
Modalites d'Evaluation
L'evaluation de la formation repose exclusivement sur trois piliers : les QCM de module, le QCM final et la soutenance orale finale. Aucun livrable, projet ou rapport n'entre dans la notation : les exercices et notebooks proposes au fil des modules sont exclusivement des supports pedagogiques d'apprentissage.
QCM par module
Chaque module se conclut par un QCM en ligne portant sur les concepts theoriques et les bonnes pratiques. Seuil de reussite : > 70 % par QCM. En cas d'echec, un second passage est possible apres revision.
QCM final
Un QCM transversal couvrant l'ensemble des 6 modules est passe en fin de parcours. Seuil de reussite : > 80 %.
Soutenance orale finale
La formation se conclut par une soutenance orale individuelle de 45 minutes (30 minutes de presentation + 15 minutes de questions du jury, compose du Dr. Florent Poux). L'evaluation porte sur les capacites de presentation orale et de reponse aux questions du candidat, selon 5 axes : clarte de la presentation, maitrise des concepts fondamentaux, capacite d'analyse et de synthese, qualite des reponses aux questions, posture et expression orale.
Note importante : Aucun livrable ecrit ni projet final n'est evalue. Les seuls elements de notation sont les QCM (modules + final) et la soutenance orale finale.
Grille de competences
L'ensemble des evaluations alimente une grille de competences structuree en 6 domaines correspondant aux 6 modules. Chaque competence est evaluee selon 4 niveaux :
| Niveau | Intitule | Description |
|---|---|---|
| 1 | Notions | Le stagiaire connait les concepts mais ne les applique pas de maniere autonome. |
| 2 | Application | Le stagiaire applique les methodes dans un contexte guide avec un resultat satisfaisant. |
| 3 | Maitrise | Le stagiaire met en oeuvre les competences de maniere autonome et produit des resultats de qualite. |
| 4 | Expertise | Le stagiaire fait preuve d'innovation, optimise ses solutions et peut former d'autres personnes. |
Synthese de la validation
Les trois elements ci-dessous doivent etre valides conjointement pour l'obtention du certificat :
| Composante | Seuil de validation |
|---|---|
| QCM par module (M1 a M6) | > 70 % par QCM |
| QCM final transversal | > 80 % |
| Soutenance orale finale (45 min) | ≥ 15/25 (5 axes × 5 pts) |
Validation de la formation : La formation est consideree comme validee lorsque le stagiaire obtient une note globale superieure ou egale a 12/20, avec un minimum de 10/20 sur chaque module et sur la soutenance finale.
