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 contient les scripts, le modèle et les paramètres utilisés pour entraîner un modèle StarDist sur le jeu de données du défi ISBI Grand Challenge 2014 sur le suivi de particules uniques. Les données brutes comprennent des time-lapses synthétiques de différentes particules (microtubules, vésicules) dans différentes conditions de rapport signal/bruit, ainsi que les coordonnées correspondantes des particules stockées dans des fichiers XML. Les paires image+étiquette sont utilisées pour entraîner les modèles StarDist, qui sont ensuite testés pour comparer les performances des approches basées sur StarDist et LoG dans TrackMate.

Ce projet utilise des méthodes d'apprentissage profond pour détecter automatiquement les lésions liées à la maladie de Crohn dans des images issues de vidéos d'endoscopie sans fil. Il permet d'entraîner des réseaux de neurones convolutifs (CNN) spécialisés, d'augmenter artificiellement les jeux de données d'images médicales, et d'évaluer les performances des modèles générés. L'objectif est d'assister les professionnels de santé dans le diagnostic et le suivi de cette pathologie.

OntoDBench permet aux DBA d'estimer la structuration de leurs jeux de données et d'évaluer l'évolutivité des trois principaux modèles de stockage de données basées sur l'ontologie dans leur jeux de données et workload réels. En fonction des exigences fonctionnelles et d'évolutivité, le DBA peut choisir le OBDB approprié. OntoDBench prend en charge les fonctionnalités suivantes : évaluation des caractéristiques des jeux de données réels, identification des modèles de stockage pertinents pour un OBDB donné, expression des requêtes de travail selon les trois représentations et évaluation des performances des requêtes.

Outil de simulation dynamique des cycles de combustible nucléaire développé par le CNRS et l'IRSN. CLASS permet de modéliser l'évolution d'un parc électro-nucléaire en temps réel, en suivant les flux de matières radioactives à travers les différentes installations. Il génère des données précises sur la composition isotopique et les performances du système, aidant à la planification et à l'optimisation des stratégies énergétiques.

Outil dédié à la gestion et à l'optimisation des batteries électriques, notamment pour les modèles Eiger 500k et Pil 100k. Permet d'ajouter ou de retirer des unités de batterie, de suivre leur état et de calculer les performances énergétiques pour améliorer l'efficacité des installations.

Ce projet fournit le code nécessaire pour créer un tableau de bord de surveillance de la classification NACE (rev 2.1). Le tableau de bord, propulsé par les nouvelles fonctionnalités de Quarto, permet aux utilisateurs de suivre les performances du modèle, de visualiser les prédictions et de prendre des décisions éclairées basées sur des données quasi-en temps réel. Il est accessible à l'adresse [https://dashboard-ape.lab.sspcloud.fr/](https://dashboard-ape.lab.sspcloud.fr/).

Plateforme centralisée pour concevoir, exécuter et suivre des pipelines d'apprentissage automatique. Permet de gérer des configurations, d'exécuter des jobs locaux ou sur le cloud, et de suivre les performances des modèles via MLflow. Offre des outils pour l'inférence, l'évaluation et l'optimisation des modèles, avec une intégration fluide entre les composants backend et frontend.

Projet d'analyse de données scientifiques utilisant l'apprentissage profond pour la reconnaissance d'images. Il permet de suivre l'entraînement des modèles et de comparer leurs performances. Le projet est basé sur Python et utilise des bibliothèques telles que Pandas, PyTorch, TensorFlow, et MLflow.