PELLENC ST - Ingénieur R&D / IA - Vision par ordinateur H/F
Entity
Publiée le
12/03/2026
Contrat
Stage · Inconnue
Localisation
Aix-en-Provence
Taille équipe
2000+ emp.
Rémunération
Inconnue
Missions clés
Étudier l’état de l’art des approches d’apprentissage actif et de supervision faible pour la segmentation d’images. · Implémenter et adapter plusieurs stratégies sur des modèles de segmentation par instance existants. · Concevoir un pipeline expérimental complet pour l’évaluation sur des datasets internes. · Analyser les performances selon différents niveaux d’annotation et stratégies d’échantillonnage. · Documenter les résultats et proposer des recommandations pour un passage à l’échelle industrielle.
Profil recherché
Bac +5 (Master 2, Diplôme d'ingénieur) · 0-1 ans d'expérience · Esprit analytique · Autonomie · Rigueur scientifique
Outils & compétences
PyTorch, CNN, Transformers, segmentation, détection d'objets, Torchvision, MMDetection
Le poste en détail
En pleine expansion, notre entreprise innovante et dynamique recherche un(e) :Stagiaire Ingénieur R&D / Intelligence artificielle – Vision par ordinateur (H/F)Poste basé à Pertuis (84). Sujet du stage: Dans le cadre de nos travaux R&D, le stage portera sur l’étude et la mise en œuvre de stratégies d’apprentissage actif (Active Learning) et faiblement supervisées (Weakly/Semi-supervised Learning) appliquées à la segmentation par instance.L’objectif est de réduire le coût de l’annotation manuelle tout en maintenant des performances élevées des modèles de segmentation utilisés dans les machines de tri PELLENC ST.Deux axes principaux seront développés et évalués sous PyTorch :Implémentation de stratégies d’apprentissage actif (sélection d’échantillons informatifs, incertitude, diversité, entropie).Intégration de méthodes faiblement ou semi-supervisées (pseudo-labeling, consistency regularization, teacher-student frameworks). Missions principales :Étudier l’état de l’art des approches d’apprentissage actif et de supervision faible pour la segmentation d’images.Implémenter et adapter plusieurs stratégies sur des modèles de segmentation par instance existants (Mask R-CNN, RTMD et, etc.).Concevoir un pipeline expérimental complet pour l’évaluation sur des datasets internes.Analyser les performances selon différents niveaux d’annotation et stratégies d’échantillonnage.Documenter les résultats et proposer des recommandations pour un passage à l’échelle industrielle.