Segmentools est une bibliothèque open source dédiée à la segmentation d'images par intelligence artificielle. Elle fournit des outils pour entraîner, évaluer et déployer des modèles de segmentation basés sur PyTorch. La solution facilite la standardisation des formats de données et propose des pipelines modulaires pour les chercheurs et développeurs en vision par ordinateur. Elle ne fournit pas de modèles pré-entraînés mais des utilitaires pour les intégrer facilement.

Bibliothèque Python conçue pour uniformiser et simplifier l'entraînement, l'inférence et l'évaluation des modèles de détection d'objets et de segmentation d'instances. Elle permet aux chercheurs et développeurs de basculer facilement entre différents modèles avec un minimum de modifications, tout en fournissant des métriques d'évaluation standardisées et des structures de données adaptées.

Projet de deep learning dédié à l'analyse automatisée d'images archéologiques pour identifier des traces de pigment bleu sur les murs du Temple d'Apollon à Delphes. Développé en collaboration avec Archeovision et dans le cadre d'un master universitaire, il combine traitement d'images, augmentation de données et entraînement de modèles UNet pour produire des rapports d'évaluation précis et des masques de segmentation.

Ce projet propose un jeu de données dédié à la segmentation des vaisseaux du foie, issu de travaux de recherche menés par l'Inria. Il permet aux chercheurs et développeurs en imagerie médicale d'accéder à des données annotées pour entraîner et évaluer des modèles d'intelligence artificielle. Ces données sont essentielles pour améliorer les outils de diagnostic et de traitement des maladies hépatiques.

Bibliothèque open source dédiée à l'estimation de l'incertitude et à la détection de données hors distribution (OoD) pour les modèles d'intelligence artificielle. Elle permet d'évaluer et de déployer des méthodes d'incertitude pour des tâches de vision par ordinateur (classification d'images, détection d'objets, segmentation sémantique) et de traitement automatique des langues (détection d'hallucinations dans les grands modèles de langage).

Myria3D est une bibliothèque de deep learning conçue pour la segmentation multiclasse de grands nuages de points Lidar à haute densité. Elle implémente l'entraînement de réseaux de neurones de segmentation 3D avec des logiques de traitement et d'évaluation optimisées pour les données à l'échelle du lot. L'inférence sur des nuages de points inconnus à grande échelle est également prise en charge, ce qui permet d'évaluer la IoU sur l'ensemble du nuage de points, ce qui se traduit par une évaluation fiable du modèle.

LaREx est une solution innovante conçue pour détecter les décalages de distribution dans les données d'entrée des modèles d'intelligence artificielle, notamment ceux utilisés en vision par ordinateur. Elle permet d'évaluer la fiabilité des systèmes de classification d'images, de détection d'objets et de segmentation sémantique en identifiant les écarts entre les données d'entraînement et les nouvelles données. Développée par des chercheurs soutenus par des programmes publics français, cette méthode offre une approche légère et efficace pour renforcer la sécurité des applications critiques.

Projet de master visant à appliquer des outils d'apprentissage profond (deep learning) pour résoudre un problème complexe de vision par ordinateur : la reconnaissance d'expressions mathématiques manuscrites. Il propose des méthodes pour analyser, segmenter et reconnaître des symboles mathématiques à partir de données manuscrites, avec des outils pour évaluer les performances des modèles développés.

WarNav est un jeu de données spécialisé conçu pour entraîner et évaluer des modèles de segmentation sémantique dédiés aux véhicules autonomes évoluant dans des environnements non structurés et affectés par des conflits. Il fournit des annotations précises d'images issues d'un dépôt multimédia open source, couvrant des classes comme les routes, les zones praticables, les piétons et les véhicules. Ces données permettent de benchmarker les performances des algorithmes dans des scénarios complexes et dangereux.

Ce projet est un tutoriel pratique dédié à la segmentation discursive et à l'analyse des relations de discours dans des textes. Il s'adresse principalement aux étudiants et chercheurs en linguistique ou traitement automatique des langues (TAL). Le projet propose des séances théoriques et pratiques pour apprendre à utiliser des outils avancés comme ToNy ou DisCut, évaluer des prédictions automatiques, et améliorer des modèles de segmentation discursive à partir de données annotées.