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.

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.

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.

Projet dédié à la création, l'entraînement et l'évaluation de modèles de machine learning pour la vision par ordinateur. Il permet de prédire des résultats à partir d'images en utilisant des architectures de réseaux de neurones comme U-Net. Le code est structuré pour faciliter l'entraînement, la sauvegarde et l'utilisation des modèles, avec des outils pour visualiser les performances et les prédictions.

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.

Ce projet propose des modifications personnalisées du code source de CVAT (Computer Vision Annotation Tool), une plateforme open source dédiée à l'annotation d'images et de vidéos pour l'entraînement de modèles d'intelligence artificielle. Les patchs développés visent à améliorer l'ergonomie, ajouter des fonctionnalités spécifiques ou optimiser des processus existants pour des besoins particuliers, notamment dans le domaine de la vision par ordinateur.

Caffe est un framework open source dédié à l'apprentissage profond, spécialisé dans le traitement d'images et la vision par ordinateur. Il permet de concevoir, entraîner et déployer des modèles de réseaux de neurones convolutifs (CNN) pour des tâches comme la classification d'images, la détection d'objets ou la segmentation sémantique. Utilisé par des chercheurs et des entreprises, il offre une architecture modulaire et des performances optimisées pour accélérer les calculs.

SCE est un framework dédié à l'apprentissage auto-supervisé pour les modèles de vision par ordinateur. Il permet d'entraîner des réseaux de neurones profonds sans nécessiter de données étiquetées, en utilisant des techniques de contraste pour améliorer la qualité des représentations apprises. Le projet propose des méthodes pour évaluer et comparer les performances des modèles sur diverses tâches de classification et de détection d'objets.

Marker est une plateforme dédiée à l'annotation et à l'étiquetage de données visuelles (images et vidéos) pour entraîner des modèles d'intelligence artificielle. Elle permet aux équipes de collaborer efficacement pour créer des jeux de données de haute qualité, essentiels au développement et à l'amélioration des algorithmes de vision par ordinateur.

PyImageLabeling est un outil d'annotation d'images doté d'une interface conviviale, conçu pour créer des masques d'images utilisés dans l'entraînement de modèles de machine learning dédiés à des tâches de vision par ordinateur. Il permet d'étiqueter des images pixel par pixel ou via des formes géométriques, avec des fonctionnalités avancées comme l'assistance par IA pour la segmentation automatique et la propagation d'annotations entre images.