projet:sujets

Différences

Ci-dessous, les différences entre deux révisions de la page.

Lien vers cette vue comparative

Les deux révisions précédentes Révision précédente
Prochaine révision 		Révision précédente
projet:sujets [2025/01/13 12:49]
marc_bertin 		projet:sujets [2025/01/13 14:09] (Version actuelle)
remy
Ligne 1: Ligne 1:
 ====== Sujets, 2024/2025 Printemps ====== ====== Sujets, 2024/2025 Printemps ======
  
 +Slides de présentation des sujets:
 +  * [[https://cazabetremy.fr/Teaching/lifprojet/slides2025pr/ProjetsLifPro2025.pdf|Samir Aknine]]
 +  * [[https://cazabetremy.fr/Teaching/lifprojet/slides2025pr/Sujets%20LIFPROJET%20Automne%202024%20(1).pdf|Célestin Coquidé]]
 +  * [[https://cazabetremy.fr/Teaching/lifprojet/slides2025pr/2025p_LIFPROJET_AM.pdf|Alexandre Meyer]]
 +  * [[https://cazabetremy.fr/Teaching/lifprojet/slides2025pr/projet_SP.pdf|Sabine Peres]]
  
 ===== AM1. Deep learning et image : classification et génération d'images ===== ===== AM1. Deep learning et image : classification et génération d'images =====
Ligne 266: Ligne 271:
  
 A disposition un serveur avec carte GPU TITAN avec serveur NAS pour le stockage des données. A disposition un serveur avec carte GPU TITAN avec serveur NAS pour le stockage des données.
 +
 +GROBID utilise des modèles d’apprentissage profond s'appuyant sur la bibliothèque DeLFT, un cadre d’apprentissage profond non spécifique à une tâche, conçu pour l'étiquetage de séquences et la classification de textes, via JEP.
  
 **Objectif :**  **Objectif :** 
Ligne 280: Ligne 287:
  
  
-===== MB2.  Science of Science :Constitution d'un docker pour fouiller les articles scientifiques extrait à partir de OAI-PMH =====+===== MB2. Constitution d'un docker pour fouiller les articles scientifiques extrait à partir de OAI-PMH =====
 ^ Domaine | Python, OAI-PMH, Docker | ^ Domaine | Python, OAI-PMH, Docker |
 ^ Langage et bibliothèque (proposés) | Python, OAI-PMH | ^ Langage et bibliothèque (proposés) | Python, OAI-PMH |
Ligne 290: Ligne 297:
 la collecte de métadonnées de l’Initiative pour les Archives ouvertes//// la collecte de métadonnées de l’Initiative pour les Archives ouvertes////
 ». ».
-Nous interrogerons OAI-PMH pour constituer une base de connaissance scientifique afin de créer des corpus autour d’un +Ce projet vise à exploiter le protocole OAI-PMH (Open Archives Initiative Protocol for Metadata Harvesting)  
-domaine donné. +pour constituer un corpus d'articles scientifiques issus de réservoirs de données ouverts.  
 +Le corpus sera analysé afin d’identifier et d’extraire les controverses scientifiques qu’il contient.
  
 **Moyen :**  **Moyen :** 
  
 A disposition un serveur avec carte GPU TITAN avec serveur NAS pour le stockage des données. A disposition un serveur avec carte GPU TITAN avec serveur NAS pour le stockage des données.
 +
 +Vous pourrez utiliser (liste non exhaustive) : 
 +
 +  * Sickle, oai-harvest ou PyOAI pour le moissonage
 +  * Hugging Face / llm
 +
  
 **Objectif :**  **Objectif :** 
Ligne 308: Ligne 322:
  
  
-===== MB3.  Détection d’événement : Le Kyudo - un tir, une vie  =====+===== MB3.   Système embarqué de détection automatique de touche pour la pratique du Kyudo - tir à l'arc japonais  =====
  
 ^ Domaine | Python, Détection d’événement  | ^ Domaine | Python, Détection d’événement  |
Ligne 316: Ligne 330:
 **Description :**  **Description :** 
  
-Ce projet propose de développer un système de détection automatique des flèches dans la mato (cible de kyudo) à l’aide d’un module ESP32-CAM. Grâce à sa caméra embarquée, l’ESP32-CAM capture les images de la cible et utilise un algorithme de traitement d'image léger pour identifier l'emplacement des impacts. Ce dispositif portable et économique permettrait d'automatiser l'évaluation des tirs, réduisant les biais humains et facilitant l’entraînement. Les données collectées serontsauvegardées pour analyse. Ce projet associe tradition et technologie pour améliorer la précision et l'efficacité dans la pratique du kyudo.+Ce projet propose de développer un système de détection automatique des flèches dans la mato (cible de kyudo) à l’aide d’un module ESP32-CAM.  
 +La carte ESP32-Cam intègre un processeur ESP32 et une caméra OV2640 (2M pixels). Elle consiste à transmettre en WIFI et en direct un flux vidéo, des images. 
 +Grâce à sa caméra embarquée, l’ESP32-CAM capturera les images de la cible et utilisera un algorithme de traitement d'image léger pour identifier l'emplacement des impacts.  
 +Ce dispositif portable et économique permettrait d'automatiser l'évaluation des tirs, réduisant les biais humains et facilitant l’entraînement. 
  
  
 **Moyen :**  **Moyen :** 
  
-* ESP32/CAM et Serveur avec carte TITAN +  * Serveur avec carte TITAN 
 +  * ESP32-CAM qui est une carte de développement dotée de capacités Wi-Fi et Bluetooth, comprenant un module ESP32S, une caméra OV2642, un emplacement pour carte micro SD, neuf broches GPIO, un flash LED intégré, une mémoire flash intégrée, 520 Ko de RAM interne et 4 Mo de PSRAM. Le module peut être programmé à l'aide de différents environnements, notamment l'IDE Arduino, l'IDF Espressif, MicroPython, JavaScript, Lua et PlatformIO dans VS Code. 
 +  * Librairie openCV et pyTorch [[https://opencv.org/]], liste non exhaustive
  
 **Objectif :**  **Objectif :** 
  
-* Constituer une base de données d'image et implémenter une solution pour gérer la détection de réussite à la mato.+  * Expérimenter la faisabilité d'une solution de détection de la "touche", c'est-à-dire identification de la flèche dans la mato (cible) pour le déploiement de compétition national.
  
 +**Lien annexe**
 +Le Kyudo en France: [[https://www.kyudo.fr/la-voie-de-l-arc]]
  
  
  
  
  • projet/sujets.1736768951.txt.gz
  • Dernière modification: 2025/01/13 12:49
  • de marc_bertin