Objectifs du stage

• Développer un modèle de détection d’objets pour identifier et localiser chaque composant présent sur des rayonnages.
• Mettre en place un pipeline d’inférence complet permettant le prétraitement des images, l’exécution du modèle et la génération des résultats de comptage.

Tâches principales

• Créer et documenter le dataset : collecte d’images, annotation des composants et organisation des données.
• Choisir et entraîner un ou plusieurs modèles de détection (ex. SSD, Faster R-CNN, YOLO, RetinaNet), puis comparer les performances selon des métriques pertinentes (mAP, précision, rappel, etc.).

Pipeline d’inférence et robustesse

• Implémenter le prétraitement (redimensionnement, normalisation, augmentation si nécessaire), l’inférence du modèle et le post-traitement (non-max suppression, comptage par ROI, seuils).
• Tester la robustesse du modèle face à des variations d’angle, de distance, d’éclairage et de qualité d’image ; quantifier les limites et proposer des améliorations.

Documentation et livrables

• Documenter toutes les étapes : dataset et format d’annotation, choix des architectures, protocole d’entraînement, hyperparamètres, courbes d’apprentissage et métriques finales.
• Fournir le code du pipeline d’inférence reproductible, les scripts d’évaluation, et un rapport détaillé présentant les limites et recommandations.

Compétences attendues

• Connaissances en vision par ordinateur et deep learning appliqué à la détection d’objets (PyTorch/TensorFlow, frameworks d’annotation).
• Expérience avec la préparation de datasets, la validation expérimentale et la rédaction de documentation technique.

Candidature

• Pour postuler, envoyer votre dossier à l’adresse suivante : careers@wisevision.io .
• Indiquez en objet de l’email : « Candidature Stage PFE – SUJET 2 DÉTECTION ET COMPTAGE AUTOMATIQUE D’OBJETS SUR RAYONNAGES ».