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.

Ce projet permet d'évaluer et comparer des modèles multimodaux (texte/image) pour des tâches de classification zero-shot. Il facilite l'intégration de nouveaux modèles et l'analyse de leurs performances sur des jeux de données standardisés comme COCO. Les utilisateurs peuvent mesurer l'efficacité de modèles comme CLIP, OTTER ou FROMAGe à l'aide de métriques variées (précision, rappel, F1-score).

Ce projet propose une évaluation comparative de méthodes d'apprentissage fédéré regroupées par clusters. Il permet d'analyser et de comparer les performances de différents modèles de machine learning dans un contexte distribué, en utilisant des jeux de données standardisés comme MNIST ou CIFAR-10. Les résultats sont visualisés sous forme de tableaux et de graphiques pour faciliter l'interprétation des métriques.

Ce projet génère des résultats pour évaluer et comparer des techniques de flux optique appliquées à l'analyse d'expressions faciales. Il fournit des configurations standardisées pour l'entraînement et le test de modèles d'apprentissage automatique, incluant des approches SVM, des modèles CNN et RNN, ainsi que des méthodes de data augmentation. Les scripts permettent de reproduire les expériences présentées dans un article scientifique soumis à une revue.

Plateforme open source dédiée à l'évaluation et au benchmarking de méthodes de détection d'anomalies sur graphes (GAD). Elle fournit une infrastructure centralisée pour exécuter, comparer et valider des algorithmes d'IA de manière reproductible. Les utilisateurs peuvent intégrer leurs propres méthodes, exécuter des expériences sur des jeux de données variés et obtenir des métriques standardisées pour analyser les performances des modèles.

Ce projet propose des jeux de données spécialement conçus pour évaluer et comparer les performances de différents outils ou modèles, notamment dans le domaine du traitement automatique du langage. Les données sont structurées pour servir de référence standardisée, facilitant ainsi l'analyse objective des capacités des systèmes testés. Il s'adresse principalement aux chercheurs, développeurs et entreprises souhaitant mesurer l'efficacité de leurs solutions.

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.

ParlAI est un cadre logiciel open source dédié à la recherche et au développement de modèles de dialogue. Il permet aux chercheurs de partager, entraîner et tester des agents conversationnels, allant des chatbots open-domain aux systèmes de questions-réponses visuelles. La plateforme propose plus de 80 jeux de données standardisés, des modèles de référence et une intégration facile avec des outils comme Amazon Mechanical Turk pour l'évaluation humaine.

Ce projet fournit des supports pédagogiques pour les enseignements universitaires, notamment des feuilles de travaux dirigés (TD) en version étudiant et enseignant. Les versions enseignants incluent des indications et corrections pour faciliter l'évaluation. Le projet utilise des modèles LaTeX pour standardiser la création des exercices et des feuilles de TD.

OpenDataNoiseMap est un projet open source qui permet d'estimer l'exposition au bruit des individus en combinant les nuisances sonores liées au trafic routier, ferroviaire et aérien. Il génère des indicateurs acoustiques précis (niveaux sonores en dB(A)) pour chaque agent, en intégrant des données géospatiales et des modèles de propagation standardisés comme CNOSSOS-EU. Les résultats sont utilisés pour évaluer l'impact environnemental du bruit et orienter les politiques publiques de réduction des nuisances sonores.