Unlearning Engine est un projet académique de Computer Vision appliquée à la reconnaissance automatique de produits, porté par une approche MLOps complète et reproductible.
Nous utilisons le modèle YOLOv11 d’Ultralytics comme point de départ pour entraîner des détecteurs d’objets performants, appliqués à un dataset spécifique de produits.

Objectifs :

• 🎯 Construire un pipeline ML complet, de l’ingestion de données au déploiement de modèle
• ⚙️ Automatiser et industrialiser l'entraînement, la validation et le suivi des performances

• Ultralytics YOLOv11 : entraînement et inférence en détection d’objets

• MLflow : suivi d’expériences et Model Registry
• BentoML : packaging et déploiement de modèles
• Docker : environnement isolé et reproductible
• Dynaconf & YAML : gestion centralisée des configurations

Le projet est organisé autour de plusieurs pipelines automatisés :

• Pipeline d'entraînement :

  • Génération & récupération du dataset (via Picsellia)
  • Prétraitement, split train/val/test
  • Entraînement du modèle YOLO avec paramétrage fin
  • Suivi des métriques & versionnement du modèle
  • Promotion automatisée du meilleur modèle

• Pipeline d’inférence :

  • Inférence temps réel via webcam
  • Optionnel : inférence sur images/dossiers

• 📊 Tableau de bord MLflow :
  https://mlflow.unlearningengine.systems
  Suivi des métriques d'entraînement, des versions de modèles, et des promotions

• ☁️ BentoCloud :
  https://unlearning-engine.cloud.bentoml.com
  Déploiement automatisé du modèle en ligne (Nécessite d'avoir les accès sur l'organisation)

Ce projet a été réalisé dans le cadre d’un travail encadré portant sur la mise en œuvre de pipelines MLOps appliqués à la vision par ordinateur. Il démontre la faisabilité d’un pipeline complet alliant :

• Performance algorithmique
• Rigueur de l’ingénierie logicielle
• Automatisation et reproductibilité des traitements