Thématique : Stages & Alternances

Stage IA – Deep Learning – Computer Vision / Reconnaitre les Coraux par l’IA

Afin de mieux comprendre et protéger le récif corallien, la fondation Science4Reefs et Aubay conçoivent des outils d’IA capables d’identifier les coraux à partir d'une photo et de quantifier leur blanchissement.

SUJET :

Les récifs coralliens sont essentiels à la biodiversité mais sont fortement menacés par le changement climatique qui provoque leur blanchissement.

Ton stage consiste à poursuivre le développement d'un modèle de vision par ordinateur qui reconnaît l’espèce et estime le niveau de blanchissement à partir d’une simple photo. En parallèle, ce projet vise à instaurer une plateforme participative où chacun pourra envoyer ses images et obtenir une analyse automatique.

Objectif : sensibiliser, accélérer la collecte de données à grande échelle et soutenir la recherche pour préserver les récifs.

TA CONTRIBUTION :

- Explorer et comparer des approches IA / Computer Vision pour la reconnaissance d’images.
- Développer l’algorithme de calcul automatique du taux de blanchissement.
- Préparer et fiabiliser les datasets : qualité d’image, nettoyage, tri, labellisation.
- Rendre la solution accessible via une application ou un site web.

POUR TOI :

Impact réel : ton code aide concrètement à protéger un écosystème clé.
Technos de pointe : Deep Learning et Computer Vision sur des données terrain.
Sens : contribution aux travaux d’une Fondation en Polynésie Française, sous l’égide du CNRS, et partage des connaissances sur le blanchissement des coraux polynésiens.

Mots clés :

IA, Deep Learning, Computer Vision, Coraux, Écologie

Technologies :

Python, Deep Learning, TensorFlow, PyTorch, OpenCV, Flask / FastAPI

Informations complémentaires :

Niveau : Bac +4 / Bac +5
Moyen d’encadrement : Lab'Innov Boulogne & fondation Science4Reefs
Référence de l’offre : LAB-IDF/ACS
Nombre de stage(s) à pourvoir : 4 à 6
Durée : 4 à 6 mois
Lieu : Boulogne-Billancourt (avec télétravail)

#LI-AC1
Partagez cette offre
Aller au contenu principal