Ce projet mené par le PEReN étudie le framework AMP de Google en analysant ses performances et son impact sur le référencement. Il permet de comparer les résultats de recherche entre mobile et desktop, d'évaluer les métriques de performance (FCP, LCP, TTI, SI) et d'analyser les différences entre pages utilisant AMP et celles ne l'utilisant pas. Les données collectées sont exploitées via des notebooks pour des analyses approfondies.

Ce projet vise à analyser l'impact du framework AMP développé par Google sur la visibilité des résultats de recherche et sur les performances des pages web. Il contient des scripts de benchmark de référencement et de performance, ainsi que des notebooks permettant de comparer le rang d'apparition de résultats et les différences de performance.

Ce projet développe une méthode pour classer les modèles d'IA conversationnelle utilisés dans le comparateur public compar:IA. Il calcule des scores de performance basés sur les réactions et votes des utilisateurs, tout en estimant leur consommation énergétique. Une interface graphique permet de visualiser l'évolution des matchs entre modèles et d'analyser les résultats selon différents critères, incluant une pondération écologique.

Ce projet open source permet de comparer et évaluer différents pipelines de modélisation numérique de terrain (DSM). Il facilite l'analyse statistique des reconstructions 3D générées par diverses méthodes (NASA ASP, CNES CARS, s2p-hd, IGN Micmac) et compare ces résultats à des vérités terrain. Les outils intégrés permettent de quantifier les performances des algorithmes pour des applications en cartographie, télédétection ou gestion des risques naturels.

Outil en ligne de commande conçu pour évaluer et comparer les performances de différents parseurs de code Fortran sur une base de code donnée. Il génère des statistiques et des résultats détaillés pour aider les développeurs à choisir l'outil le plus adapté à leurs besoins. Le projet inclut des analyses sur des bases de code réelles comme DYNAMICO, LMDZ ou ORCHIDEE, fournissant des métriques précises sur la couverture et l'efficacité des parseurs.

Ce projet permet de comparer les performances de différentes implémentations de l'algorithme PageRank, utilisé par les moteurs de recherche pour classer les pages web. Il offre une analyse détaillée des temps d'exécution, de la précision des résultats et de l'efficacité des ressources pour chaque variante testée. Les utilisateurs peuvent ainsi identifier les solutions les plus adaptées à leurs besoins en matière de classement de pages.

Ce projet permet de comparer les performances de différents algorithmes de PageRank ou de classement de pages web. Il offre une analyse détaillée des résultats obtenus par chaque méthode, facilitant ainsi le choix des meilleures stratégies pour optimiser le référencement naturel. Les utilisateurs peuvent visualiser les différences de classement et identifier les approches les plus efficaces pour leurs besoins spécifiques.

Ce projet vise à développer et comparer des modèles de deep learning pour compter et analyser des foules dans des images. Il reproduit deux architectures populaires (MCNN et SS-DCNet) afin d'évaluer leur performance sur des données réelles comme le jeu de données ShanghaiTech. L'objectif est d'améliorer la gestion des foules lors d'événements publics ou de manifestations, en fournissant des outils précis pour le suivi et la planification des interventions.

Ce projet développe une solution basée sur l'apprentissage profond pour localiser automatiquement les électrodes EEG dans des images IRM T1. Il permet de segmenter et d'extraire les coordonnées des électrodes détectées, facilitant ainsi l'analyse des données EEG-fMRI. Le système inclut des outils de post-traitement pour améliorer la précision des résultats et comparer les performances avec des méthodes existantes.

Ce projet propose une analyse multi-niveaux de l'utilisation des GPU dans les charges de travail d'entraînement en machine learning. Il compare les performances entre différents frameworks (TensorFlow, PyTorch) et outils de profilage (NVIDIA Nsight Compute). Les résultats sont présentés sous forme de figures et de rapports détaillés pour aider les chercheurs et ingénieurs à optimiser leurs modèles et infrastructures.