Ce projet est un environnement pédagogique dédié à l'apprentissage et à l'expérimentation des techniques d'apprentissage profond, notamment pour la vision par ordinateur. Il permet aux utilisateurs de tester et comparer différents modèles de réseaux de neurones convolutifs sur des jeux de données standardisés comme FashionMNIST. Le dépôt inclut des outils pour l'entraînement, le suivi des expériences et la visualisation des résultats, facilitant ainsi la compréhension des concepts clés en deep learning.

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 développe des outils pour entraîner et simuler des réseaux de neurones distribués, permettant d'optimiser des modèles d'apprentissage automatique à grande échelle. Il facilite l'analyse de données complexes et la simulation de scénarios pour améliorer les performances des algorithmes d'intelligence artificielle.

CamemBERTa est un modèle de langage français basé sur DeBERTa V3, une version améliorée de DeBERTa V2 qui utilise l'objectif de détection de token remplacé (RTD) pour la pré-entraînement. Ce modèle est le premier implémentation publique de DeBERTa V3 et le premier modèle DeBERTaV3 disponible en dehors de la version originale de Microsoft.

Ce projet est un template open source conçu pour faciliter la création de chatbots. Il fournit une structure de base et des outils pour aider les développeurs à concevoir, entraîner et déployer des agents conversationnels. Il inclut des modèles de fichiers de configuration, des exemples de dialogues et des instructions pour intégrer le chatbot dans une interface utilisateur. Destiné aux administrations et organisations publiques, il vise à standardiser les bonnes pratiques en matière de développement de chatbots.

Malpolon est un framework open source conçu pour faciliter l'entraînement et le partage de modèles de distribution d'espèces en profondeur. Il permet aux utilisateurs, même non experts en deep learning ou PyTorch, de prédire la présence d'espèces végétales sur une zone géographique donnée en utilisant des données environnementales variées comme des rasters bioclimatiques, des images satellites ou des données d'usage des sols. Développé dans le cadre de projets européens, il simplifie l'intégration de différents types de covariables pour des modèles visuels profonds.

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.

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.

TensorFlow est un framework open source dédié à l'apprentissage automatique et au deep learning. Il permet aux développeurs et chercheurs de concevoir, entraîner et déployer des modèles d'intelligence artificielle pour résoudre des problèmes complexes. Utilisé dans divers domaines comme la vision par ordinateur, le traitement du langage naturel ou la robotique, il facilite la création d'applications innovantes en automatisant des processus analytiques et décisionnels.

Ce projet développe des modèles d'intelligence artificielle pour analyser des images histopathologiques numérisées de ganglions lymphatiques. L'objectif est d'identifier automatiquement les métastases de cellules cancéreuses dans les tissus, afin d'assister les pathologistes dans leur diagnostic. Les algorithmes entraînés sur des bases de données publiques et privées permettent de détecter des régions tumorales avec une grande précision, réduisant ainsi le temps d'analyse et les risques d'erreurs humaines.