Offre d'emploi 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