Ce projet propose un benchmark dédié à l'évaluation des performances des modèles de détection d'objets en conditions hors distribution. Il permet de mesurer la robustesse et la généralisation des algorithmes d'intelligence artificielle face à des données non conformes à leur entraînement initial. L'objectif est d'identifier les forces et faiblesses des approches actuelles pour améliorer leur fiabilité dans des scénarios réels.

Drive-SynOOD-OD est un benchmark d'évaluation dédié à la détection d'objets hors distribution (OOD) dans des scènes de conduite. Il génère des images synthétiques en insérant des objets rares (animaux, poussettes, trottinettes) dans des scènes réelles de la base BDD100K, via un processus de *diffusion inpainting*. Les détecteurs entraînés sur BDD100K sont ensuite évalués sur ce jeu de données pour mesurer leur robustesse face à des situations imprévues.

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).

Outil dédié à l'amélioration de la détection d'anomalies (OOD) dans les modèles d'apprentissage profond. Il permet d'appliquer la méthode LogitNorm pour normaliser les logits lors de l'entraînement, renforçant ainsi la robustesse des modèles face à des données hors distribution. Le projet inclut également des fonctionnalités d'évaluation comparative de différentes méthodes de détection d'anomalies sur des jeux de données prédéfinis.