SNCF Réseau : Inventaire & Maintenance Prédictive par Vision Transformers
🎯 Le Défi : Moderniser la Maintenance Ferroviaire
SNCF Réseau doit inventorier et surveiller des milliers de kilomètres de voies. L’objectif était de passer d’une inspection manuelle à une maintenance prédictive automatisée capable d’identifier les actifs critiques (Traverses, Crocodiles, Signalisation) à partir de flux vidéo.
💡 La Solution Technique
J’ai conçu une architecture hybride alliant Deep Learning de pointe et Cloud Engineering :
1. Vision Transformers (SOTA)
Au lieu des architectures classiques (CNN), j’ai opté pour l’état de l’art :
- Fine-tuning de modèles DETR (Detection Transformer) via Hugging Face.
- Détection robuste des objets complexes malgré les conditions extérieures (pluie, luminosité).
2. Pipeline MLOps sur AWS
L’industrialisation est au cœur du projet :
- Gestion du Data Lake via AWS S3 piloté par Boto3 (Python).
- Pipeline automatisé pour le versionning des datasets et des modèles.
3. Hybridation OCR
Pour aller plus loin que la simple détection :
- Intégration du moteur EasyOCR en post-traitement.
- Lecture automatique et indexation des plaques de signalisation ferroviaire (TIV).
🛠️ Stack Technique
- Langages : Python 3.9
- Frameworks IA : PyTorch, Hugging Face (Transformers), EasyOCR
- Cloud & Ops : AWS (S3, Boto3), Docker
- Data Eng : Conversion automatique Excel vers COCO
🚀 Impact & Performance
“Un système capable de lire le réseau ferroviaire comme un livre ouvert.”
- Performance : Taux de détection >97% sur les objets critiques (Traverses, Crocodiles).
- Monitoring : Développement de modules d’évaluation automatique (mAP, F1-Score) pour garantir la non-régression du modèle en production.
