Le projet
L’objectif était de transformer une idée spectaculaire en système réellement démontrable : partir d’images satellites, chercher des signatures visuelles de navires, puis construire une interface où l’on peut tester un modèle de détection entraîné pour ce contexte.
La partie importante n’est pas seulement le modèle. La valeur du projet vient de la chaîne complète : récupération d’images, sélection des zones d’intérêt, découpage en patches, annotation, entraînement, comparaison des checkpoints, puis déploiement dans une interface utilisable. C’est ce qui fait la différence entre une vidéo impressionnante et un vrai projet de computer vision.
Pipeline technique
Le modèle final exposé publiquement est un YOLOv8s fine-tuné sur un dataset satellite RGB. Le modèle est distribué via Hugging Face, tandis que le dépôt GitHub fournit l’application Gradio, les scripts de bootstrap, les exemples et le chargement automatique du checkpoint.
Le README public documente plusieurs valeurs utiles : le checkpoint source train-20260417T124314Z-fad9d3ed_best.pt, le run infer-b88a2887, le nom d’entraînement super-visible-y8s-newlabels-focuslite-e45, la famille YOLOv8s, le dataset sentinel-2-rgb et un mAP50 local index à 0.7912.
Ce que ça montre
Ce projet prouve une compétence complète : comprendre une donnée difficile, l’imagerie satellite, la rendre exploitable, entraîner un détecteur spécialisé et construire une démo publique robuste autour du modèle. Il montre aussi la capacité à raconter un sujet technique sans le réduire à un simple prompt ou à une API magique.