Stage Deep Learning & traitement d'images (F/H) - Clermont-Fd

Stage Deep Learning & traitement d'images (F/H) - Clermont-Fd

- - - - - - - - - - - -

Vous souhaitez rejoindre l’entreprise préférée des stagiaires et alternants pour une expérience inédite ? Nous vous proposons la mission de stage suivante :

Développer des solutions d’intelligence artificielle robustes : exploration de data issues de profilomètres à l’aide du Deep Learning ; cas d’application sur produits pneus. 

Durée : 6 mois

Lieu : Centre R&D Michelin de Ladoux (proche Clermont-Ferrand)

Niveau d’études : bac +5 en traitement d’images et IA

Anglais : compréhension écrite de documents techniques et scientifiques

Compétences techniques (obligatoires > souhaitables)

1.      Python avancé

2.      PyTorch : entraînement de modèles

3.      Fondamentaux de DL : réseaux, métriques (mAP, IoU)

4.      Traitement d’image : filtres, ROI, normalisation, augmentation

5.      Git/GitLab : versioning, issues

6.      Organisation de code : architecture, modularité, documentation

7.      HALCON Deep Learning (prise en main/enrichissement)

8.      Azure ML & MLOps : YAML, MLflow, compute cloud

Profil souhaité 

Autonomie, curiosité, et rigueur

Esprit d’analyse, communication claire et synthétique

Collaboration active dans un contexte pluridisciplinaire

Environnement de travail 

Encadrement technique transverse (référents IA, ingénieurs produit)

Missions principales

1. Analyse & préparation des données

Prise en main des données issues de capteurs profilomètre 3D : images 2D 8 bits, 3D 16 bits

Structuration, normalisation, filtrage, définition des ROI

Construction de pipelines de preprocessings (data augmentation)

Configuration de datasets adaptés à PyTorch et HALCON

2. Phase d’entraînement locale

Déploiement d’un environnement DL (Python/PyTorch)

Tests d’architectures open-source (YOLO, Faster R‑CNN, U‑Net…)

Évaluation via un benchmark local (temps, stabilité, métriques mAP, IoU)

Versioning du code dans GitLab (CI, branches, documentation)

3. Exploration de HALCON Deep Learning

Utilisation de HALCON pour classification, détection, segmentation

Comparaison entre HALCON et PyTorch sur 8 et 16 bits

4. Migration vers Azure Machine Learning

Utilisation : workspace, compute cluster, stockage

Adaptation des scripts à Azure ML (YAML, MLflow)

Lancement d’entraînements GPU et suivi automatisé

5. Benchmark global & analyse

Analyse comparative PyTorch vs HALCON (précision, inférence, robustesse)

Analyse local vs cloud (coût, vitesse, scalabilité)

6. Documentation & restitution

Rédaction d’une synthèse des travaux effectués

Présentation finale détaillée à l’équipe avec recommandations pour déploiement industriel

Livrables attendus

Code source & projet : Dépôt GitLab structuré contenant : scripts PyTorch, HALCON, configurations Azure ML, notebooks et guides

Pipelines opérationnels : entraînements locaux, cloud, HALCON

Benchmark complet : comparatif modèles, recommandations stratégiques

Principaux défis

Travailler sur des données 2D & 3D avec forte variabilité

Exécuter un benchmark rigoureux et reproductible sur des environnements multiples

Assurer portabilité des modèles vers des workflows industriels

- - - - - - - - - - - -