Ce projet est une bibliothèque JavaScript conçue pour interagir avec une API dédiée à la gestion de données géospatiales et collaboratives. Il permet aux utilisateurs de se connecter, de récupérer, créer, modifier ou supprimer des ressources comme des couches cartographiques, des rapports, des bases de données ou des communautés. L'outil simplifie l'intégration avec des services d'authentification et offre des méthodes pour manipuler des données structurées, tout en assurant une gestion sécurisée des accès.

Ce projet propose une image conteneurisée regroupant des outils essentiels pour le développement, le test et le déploiement d'applications. Il facilite la création d'environnements reproductibles et standardisés, permettant aux équipes de se concentrer sur le développement logiciel sans se soucier des dépendances ou des configurations complexes. Intégré dans une chaîne DevOps, il optimise les processus de build, de test et de livraison continue.

Ce projet propose une image Docker légère basée sur Miniconda et CentOS 7, intégrant PyTorch avec support CUDA 11.3. Destinée aux pipelines d'intégration continue, elle facilite la création d'environnements reproductibles pour des tests automatisés et des développements en machine learning. L'image est optimisée pour des environnements CI/CD et permet une exécution rapide des tâches gourmandes en calcul.

Ce projet propose des exemples concrets de co-design entre matériel et logiciel, spécifiquement adaptés à la carte de développement Zybo de Digilent. Il vise à accompagner les développeurs dans la création de solutions intégrées en combinant des composants électroniques et des algorithmes logiciels, favorisant ainsi l'innovation et la collaboration entre les deux domaines.

Ce projet permet de récupérer, traiter et analyser des flux vidéo provenant de caméras industrielles ou scientifiques. Il convertit les données brutes des capteurs en images structurées pour une exploitation ultérieure, notamment via des outils d'analyse ou de machine learning. Il facilite l'intégration des données de caméras dans des pipelines de traitement automatisés.

Ce projet propose une image Docker légère basée sur CentOS 7, intégrant Miniconda et PyTorch avec support CUDA 11.1. Conçue pour les environnements d'intégration continue, elle facilite la création et le test d'applications utilisant le deep learning. L'image est optimisée pour des performances reproductibles dans des pipelines CI/CD.

Ce projet propose une image Docker légère basée sur CentOS 7, intégrant Miniconda, PyTorch avec CUDA 11.3 et JupyterLab. Destiné aux environnements de développement et d'intégration continue, il permet aux chercheurs et développeurs de créer des notebooks interactifs pour l'apprentissage profond. L'image est optimisée pour les calculs accélérés par GPU et est hébergée sur l'infrastructure interne du Pasteur Institute.

Ce projet illustre l'utilisation du module FetchContent de CMake pour intégrer et compiler automatiquement la bibliothèque oneTBB, facilitant ainsi la gestion des dépendances dans un projet C++. Il démontre également comment paralléliser des calculs intensifs, comme le calcul de racines carrées, pour améliorer les performances. Idéal pour les développeurs cherchant à optimiser leurs applications avec des outils modernes de parallélisation.

Ce projet propose une image Docker légère basée sur Miniconda et CentOS 7, intégrant PyTorch avec support CUDA 10.2. Destinée aux environnements d'intégration continue (CI), elle facilite le déploiement et le test de modèles d'apprentissage profond dans des pipelines automatisés. L'image est optimisée pour une utilisation en recherche ou en production, garantissant une compatibilité et une reproductibilité accrues.

Projet gérant des fonctionnalités liées à la création et la gestion de documents cliniques basés sur la norme CDA, avec une intégration dans des systèmes de santé et une conformité réglementaire.