Stage - Déploiement Multi-Plateforme de Modèles IA de Traitement d'Images Gpu - Npu - Fpga H/F - 92

Safran Electronics & Defense, société de haute technologie, est leader mondial de solutions et de services en optronique, avionique, électronique et logiciels critiques, pour les marchés civils et de défense.
Safran Electronics & Defense développe l'ensemble des systèmes d'électronique embarqués sur les avions et les hélicoptères, civils ou militaires.Safran Electronics & Defense développe des systèmes optroniques tels que : des jumelles multifonctions, des caméras thermiques, viseurs terrestres, marines, aéroportés. Elle est spécialisée dans le développement et l'intégration d'algorithmes avancés pour ces systèmes embarqués.

L'essor des réseaux de neurones profonds et du deep learning a permis des avancées significatives dans de nombreux domaines, notamment en vision par ordinateur et en traitement de signal. Toutefois, le déploiement de ces modèles sur des plateformes embarquées hétérogènes (GPU, NPU, FPGA) reste un défi majeur, en raison des contraintes de consommation, de latence et de ressources matérielles limitées.

Durant la période de ce stage, vous intégrerez l'unité de développement Plateformes Embarquées. Cette équipe conçoit des modules de traitement d'image embarqué qui sont au coeur des chaines vidéo des futurs produits optroniques développés par Safran.

L'objectif du stage est de concevoir une première pipeline de déploiement multi-plateforme, allant de l'export des modèles entraînés (PyTorch ONNX) à leur optimisation (quantization, pruning) et à leur implémentation sur différentes cibles matérielles. Le/la stagiaire contribuera à prototyper, comparer et documenter ces déploiements afin de préparer l'industrialisation future.

Les missions du stage seront les suivantes :

1. État de l'art : étude des frameworks et runtimes de déploiement IA (ONNX Runtime, TensorRT, TFLite, Vitis AI, OpenVINO).
2. Pipeline de conversion : entraînement en PyTorch export ONNX optimisation (quantization, pruning, distillation).
3. Prototypage multi-plateforme : déploiement d'un même modèle sur GPU embarqué (Jetson), NPU (Google Coral/Qualcomm), FPGA (Xilinx/Intel).
4. Benchmarking : comparaison des plateformes (latence, consommation, précision).
5. Industrialisation : mise en place d'une première chaîne CI/CD (entraînement export cross-compilation tests automatiques).
6. Documentation & recommandations : livrables techniques, rapport comparatif, axes d'amélioration pour l'entreprise

Ce stage de fin d'études constitue une opportunité unique de participer au lancement d'une activité stratégique, au carrefour entre IA, systèmes embarqués et MLOps.