Contexte et objectifs

• Développer un assistant virtuel IoT capable d'interpréter le Langage des Signes Tunisien (LST) pour améliorer l'accessibilité.
• Produire un système temps réel de reconnaissance et de tracking des mains afin d'assurer une interaction fluide avec des dispositifs IoT.

Missions principales

• Développer et entraîner un modèle CNN/LSTM pour la reconnaissance du langage des signes tunisien (LST) à partir de séquences vidéo.
• Intégrer MediaPipe pour la détection et le tracking des mains (21 landmarks) en temps réel, et exploiter OpenCV pour le prétraitement et l'optimisation des flux vidéo.
• Concevoir une démonstration applicative (mobile/web/3D) pour visualiser les résultats et permettre l'interaction avec des objets IoT.

Technologies et méthodes

• Utiliser TensorFlow ou PyTorch pour la conception et l'entraînement des modèles (CNN, LSTM) ; éventuellement exploiter Transformers (BERT / GPT) pour le traitement du langage si nécessaire.
• Intégrer MediaPipe (hand landmarks 21) et OpenCV pour la capture, le tracking et l'extraction de caractéristiques en temps réel.
• Déployer une interface ou prototype avec Three.js / Unity pour rendu 3D interactif, et Flutter / Laravel pour prototypage mobile/web et backend si requis.

Livrables attendus

• Modèle entraîné et optimisé pour reconnaissance de signes (précision, latence) et pipeline de tracking temps réel.
• Prototype démonstratif (application mobile ou web / démo 3D) connectant l'assistant au(s) démonstrateur(s) IoT.
• Jeu de données annoté (si collecte/annotation réalisée), rapport technique et guide d'intégration/déploiement.

Profil et conditions

• Niveau requis : Bac+5.
• Durée du stage : 4 à 5 mois.
• Compétences souhaitées : Computer Vision, Deep Learning (CNN/LSTM), expérience avec MediaPipe/OpenCV, connaissances en développement d'applications (Flutter, Unity/Three.js) et intégration backend (Laravel) sont un plus.

Encadrement et évaluation

• Encadrement technique sur les aspects data & ML et support pour l'intégration IoT.
• Évaluation sur la qualité du modèle, la réactivité temps réel, l'ergonomie de la démo et la documentation fournie.