Il faut un système de vision qui fonctionne dans le monde réel — pas seulement sur des données de test propres. Mauvais éclairage, flou de mouvement, arrière-plans encombrés, occlusion, surfaces réfléchissantes. Je construis des systèmes de CV conçus pour ces conditions dès le premier jour, avec le déploiement en production comme contrainte de conception, pas une réflexion après coup.

Projet phare actuel : Un système de détection d’incendie et de fumée de qualité défense développé dans le cadre du programme iDEX DRISHTI en Inde, déployé sur le matériel de périphérie NVIDIA Jetson pour une utilisation dans des environnements blindés contraints. Contraintes techniques : latence d’alerte précoce, rejet dur-négatif, taux de fausse alerte inférieur à 2 %, et inférence fiable sous bruit et vibration thermiques. V1 a obtenu 74,3 % de mAP@50 sur l’ensemble de données D-Fire. C’est le type d’environnement opérationnel qui impose de véritables décisions d’ingénierie.

Sur le plan commercial, j’applique la même discipline aux problèmes de vision industrielle et d’entreprise : conformité de sécurité (EPI, hygiène), détection de périmètre et d’intrusion, analyse de foules, détection d’anomalies et de manipulations, surveillance des fuites, détection de pillage et analyse des activités opérationnelles.

Mon processus couvre l’ensemble du cycle : définition de cas d’usage, stratégie de données, logique d’annotage, pipelines de données synthétiques, développement de modèles, analyse d’erreurs, réduction des faux positifs et déploiement orienté arômes.

Pile : Python · OpenCV · PyTorch · YOLOv8/YOLO11 · ONNX · TensorRT · NVIDIA Jetson (série Orin) · Roboflow · Ultralytics
Si vous construisez un système de vision qui doit fonctionner dans un environnement difficile — ce qui m’intéresse, c’est le problème.