PELLENC ST - Ingénieur Recherche en IA / Vision par ordinateur H/F
Entity
Publiée le
12/03/2026
Contrat
Stage · 4-6 mois
Localisation
Aix-en-Provence
Taille équipe
2000+ emp.
Rémunération
Inconnue
Missions clés
Étudier l’état de l’art des approches de synthèse d’images conditionnelle. · Implémenter et adapter des modèles de génération d’images pour des cas d’usage ciblés. · Développer un pipeline de génération/augmentation de données orienté segmentation par instance.
Profil recherché
Bac +5 (Master 2, Diplôme d'ingénieur) · 0-1 ans d'expérience · Curiosité scientifique · Autonomie · Sens pratique
Outils & compétences
GANs, Diffusion Models, Image-to-Image translation, Pytorch, Torchvision, HuggingFace, MMdet, Mask R-CNN, RTMD
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: La performance de nos systèmes de vision par ordinateur dépend fortement de la qualité et de la diversité des données d’apprentissage. Le stage porte sur l’utilisation de méthodes de synthèse d’images conditionnelle (ex : GANs, Diffusion Models, Image-to-Image translation) afin de générer des données artificielles adaptées aux tâches de segmentation par instance.L’objectif est de créer des pipelines permettant de : Générer des images réalistes et variées conditionnées sur des annotations ou contraintes spécifiques.Enrichir nos bases de données internes pour pallier le manque de représentativité ou les déséquilibres de classes.Améliorer la robustesse et la précision des modèles de segmentation par instance utilisés dans nos machines de tri. Missions principales :Étudier l’état de l’art des approches de synthèse d’images conditionnelle (GANs, Diffusion, etc.).Implémenter et adapter des modèles de génération d’images pour des cas d’usage ciblés.Développer un pipeline de génération/augmentation de données orienté segmentation par instance.Évaluer l’impact de ces données synthétiques sur les performances des architectures de segmentation(Mask R-CNN, RTMD et, etc.).Documenter les résultats et proposer des recommandations pour un passage à l’échelle industrielle.