Ce projet gère des conteneurs d'images pour les notebooks sur la plateforme JupyterCloud de PLM, facilitant l'analyse de données scientifiques, la création et l'exécution de notebooks Jupyter, ainsi que le déploiement de modèles d'apprentissage automatique.

Le projet Correction-OCR utilise des modèles de langage pour corriger les erreurs de reconnaissance optique de caractères (OCR) dans des textes fournis. Il s'appuie sur des modèles de langage de pointe pour fournir des corrections précises et améliorer la qualité des textes OCR.

Ce projet utilise des modèles d'apprentissage profond pour corriger automatiquement les fautes d'orthographe dans des textes. Il s'appuie sur des librairies et outils tels que llama_cpp_python, torch, et numpy pour offrir une solution de correction performante.

Projet Ganelon visant à détecter les lieux géographiques dans un texte proposé en interrogeant un LLM pour obtenir une réponse sous un format informatique. Les modèles utilisés sont disponibles sur la plateforme Hugging Face.

Ce projet fournit un environnement de développement pour la création de notebooks personnalisés, optimisé pour l'analyse de données, la visualisation, l'apprentissage automatique et le traitement d'images. Il inclut une sélection de packages Python essentiels pour ces tâches.

Ce projet fournit des implémentations PyTorch pour la traduction d'images non appariées et appariées, utilisant les réseaux antagonistes génératifs (GAN) et la traduction cycle-consistante. Il permet de convertir des images d'un domaine à un autre, de générer des images réalistes à partir de croquis, d'améliorer la qualité d'images et de créer des images à partir de descriptions textuelles.

Notebook personnalisé avec des packages PyTorch préinstallés pour une utilisation optimale en data science. Utilise pipenv et micropipenv pour la gestion des dépendances.

Ce projet est un framework de traduction d'images semi-supervisé pour la correspondance entre images radar et images optiques. Il est basé sur l'article « A Semi-Supervised Image-to-Image Translation Framework for SAR–Optical Image Matching » publié dans IEEE GRSL.

TorchMunTAN est un package Python contenant une implémentation PyTorch des réseaux d'attention temporels proposés dans [1] et affinés dans [2]. Il fournit une implémentation modulaire du module d'attention temporelle et une architecture Variational Auto-Encoder, ainsi qu'une classe de jeu de données pour travailler avec des données tensorielles extraites du jeu de données Pastis-R.

Projet de classification d'images utilisant le modèle Yolo-Classification sur un serveur Debian 12 Bookworm avec une carte graphique NVIDIA GeForce RTX 2060 SUPER. Les données utilisées pour l'entraînement du modèle sont disponibles à l'adresse <https://src.koda.cnrs.fr/lamop/yolo-classification/-/tree/main/Data?ref_type=heads>