L'entreprise

Neurogreen est une société wallonne spécialisée en vision par ordinateur et en IA embarquée. Nous concevons des systèmes qui tournent réellement sur le terrain : caméras industrielles, cartes embarquées, modèles optimisés pour l'inférence locale plutôt que pour le cloud.

Équipe réduite, projets concrets, industrialisation rapide : ce que vous développez part en production.

Le contexte du stage

Vous interviendrez sur un système de vision industrielle déployé chez un client, dans le secteur de la gestion des déchets. Des caméras analysent en continu un flux de matières et un modèle embarqué identifie automatiquement les anomalies, qui sont ensuite remontées aux exploitants via une interface de supervision.

Le système est fonctionnel et déjà utilisé en conditions réelles. L'objectif du stage est de le fiabiliser, l'optimiser et l'industrialiser : améliorer les performances des modèles, alléger l'inférence embarquée, et rendre l'interface exploitable au quotidien par des utilisateurs non informaticiens.

Vos missions

1. Modèles embarqués et optimisation (~50 %)

• Améliorer les modèles de détection et de classification existants (détection d'objets et classification d'images).
• Enrichir et fiabiliser les jeux de données : annotation, nettoyage, gestion des classes déséquilibrées, protocoles de validation.
• Optimiser les modèles pour la cible embarquée : export vers des formats d'inférence légers, quantification, compilation pour accélérateur.
• Benchmarker le compromis précision / latence / consommation directement sur le matériel et documenter les résultats.

2. Interfaces de supervision, en ligne et locale (~35 %)

• Faire évoluer le tableau de bord de supervision : visualisation des événements, revue des séquences, statistiques, export de rapports.
• Développer une version locale utilisable sur site même en cas de coupure réseau, puis synchronisée une fois la connexion rétablie.
• Contribuer à la robustesse de la chaîne de remontée de données sur liaison mobile.

3. Électronique et intégration terrain (~15 %)

• Câblage et mise en service des installations : alimentation, réseau, connectique caméras.
• Montage en coffret, intégration de capteurs simples et de cartes d'entrées/sorties.
• Tests et diagnostics sur site, accompagné d'un ingénieur.

Profil recherché

Indispensable

• Étudiant·e en informatique, ingénierie ou domaine proche (bachelier de fin de cycle ou master).
• Bonne maîtrise de Python.
• Aisance sous Linux (ligne de commande, SSH, services) et avec Git.
• Bases solides en machine learning / deep learning (au minimum le cursus académique).
• Français courant ; lecture technique en anglais.

Atouts appréciés

• Expérience pratique avec PyTorch, OpenCV ou des frameworks de détection d'objets.
• Notions de développement web ou d'interfaces de données (Streamlit, FastAPI, Docker).
• Manipulation de cartes type Raspberry Pi, Arduino ou STM32.
• Notions d'électronique de base (lecture de schéma, multimètre, câblage propre).
• Permis B (déplacements ponctuels sur site).

Nous cherchons avant tout quelqu'un de curieux et autonome, qui a envie de voir son code tourner sur une vraie machine, dans un vrai environnement industriel.

Ce que nous offrons

• Un projet en production, avec un client réel et un impact mesurable.
• Un encadrement technique direct par le responsable R&D.
• Accès au matériel : caméras industrielles, cartes embarquées, accélérateur d'inférence, banc de test.
• Une expérience complète de la chaîne : donnée → modèle → embarqué → interface → terrain.
• Défraiement des déplacements sur site.
• Possibilité de collaboration ultérieure selon le déroulement du stage.

Un lien vers un dépôt Git, un projet personnel ou un travail académique est un vrai plus.

Le candidat idéal

C'est un étudiant de fin de bachelier ou de master en informatique qui n'a pas attendu ses cours pour coder. Python est sa langue de travail, pas une matière qu'il a passée. Il a déjà entraîné un modèle de vision de bout en bout — même modeste, même sur un dataset public — et il sait dire ce qui n'a pas marché la première fois. C'est ce dernier point qui compte : quelqu'un qui a déjà buté sur des données sales, un modèle qui sur-apprend ou une inférence trop lente comprendra immédiatement le quotidien du poste.

Il est à l'aise en ligne de commande. Un Raspberry Pi ne l'impressionne pas, un journalctl non plus. Il a un dépôt Git avec du code lisible dedans, pas forcément brillant, mais qui montre qu'il travaille proprement et qu'il documente un minimum.

Sur le plan du caractère, il accepte que le terrain ait toujours raison : le modèle qui affiche 97 % en notebook et se plante sur site n'est pas un bug du réel. Il pose des questions tôt plutôt que de rester bloqué trois jours, il rend compte de ce qu'il a fait sans qu'on le lui demande, et il n'a pas peur de sortir du bureau pour aller visser un coffret dans un environnement bruyant et poussiéreux. Il sait aussi que l'utilisateur final n'est pas un data scientist : un tableau de bord qu'il faut expliquer est un tableau de bord raté.

Enfin, il est motivé par le fait que son travail parte réellement en production chez un client, et non par la seule perspective d'un stage à cocher.

Signaux positifs : projets personnels finis (pas seulement commencés), expérience d'un hackathon ou d'un projet de groupe livré, curiosité pour le hardware, capacité à expliquer un choix technique simplement.

Points d'attention : un profil purement théorique qui n'a jamais fait tourner de code hors de Colab, ou quelqu'un qui cherche exclusivement de la recherche et sera frustré par la part d'intégration et de débogage terrain.

L'entreprise

Neurogreen est une société wallonne spécialisée en vision par ordinateur et en IA embarquée. Nous concevons des systèmes qui tournent réellement sur le terrain : caméras industrielles, cartes embarquées, modèles optimisés pour l'inférence locale plutôt que pour le cloud. Équipe réduite, projets concrets : ce que vous développez part en production.

Le contexte du stage

Vous interviendrez sur un système de vision industrielle déployé chez un client, dans le secteur de la gestion des déchets. Des caméras analysent en continu un flux de matières, un modèle embarqué identifie automatiquement les anomalies, et celles-ci sont remontées aux exploitants via une interface de supervision.

Le système est fonctionnel et déjà utilisé en conditions réelles. L'objectif du stage est de le fiabiliser, l'optimiser et l'industrialiser : améliorer les performances des modèles, alléger l'inférence embarquée, et rendre l'interface exploitable au quotidien par des utilisateurs non informaticiens.

Vos missions

Modèles embarqués et optimisation (environ 50 %)

• Améliorer les modèles de détection et de classification existants
• Enrichir et fiabiliser les jeux de données : annotation, nettoyage, protocoles de validation
• Optimiser les modèles pour la cible embarquée : export vers des formats d'inférence légers, quantification, compilation pour accélérateur
• Benchmarker le compromis précision / latence / consommation sur le matériel et documenter les résultats

Interfaces de supervision, en ligne et locale (environ 35 %)

• Faire évoluer le tableau de bord : visualisation des événements, revue des séquences, statistiques, export de rapports
• Développer une version locale utilisable sur site même en cas de coupure réseau, puis synchronisée une fois la connexion rétablie
• Contribuer à la robustesse de la chaîne de remontée de données sur liaison mobile

Électronique et intégration terrain (environ 15 %)

• Câblage et mise en service : alimentation, réseau, connectique caméras
• Montage en coffret, intégration de capteurs simples et de cartes d'entrées/sorties
• Tests et diagnostics sur site, accompagné d'un ingénieur

Profil recherché

Indispensable :

• Étudiant·e en informatique, ingénierie ou domaine proche (bachelier de fin de cycle ou master)
• Bonne maîtrise de Python
• Aisance sous Linux (ligne de commande, SSH, services) et avec Git
• Bases solides en machine learning / deep learning
• Français courant, lecture technique en anglais

Atouts appréciés :

• Expérience pratique avec PyTorch, OpenCV ou des frameworks de détection d'objets
• Notions de développement web ou d'interfaces de données (Streamlit, FastAPI, Docker)
• Manipulation de cartes type Raspberry Pi, Arduino ou STM32
• Notions d'électronique de base (lecture de schéma, multimètre, câblage propre)
• Permis B (déplacements ponctuels sur site)

Nous cherchons avant tout quelqu'un de curieux et autonome, qui a envie de voir son code tourner sur une vraie machine, dans un vrai environnement industriel — poussiéreux, bruyant et imprévisible.

Ce que nous offrons

• Un projet en production, avec un client réel et un impact mesurable
• Un encadrement technique direct par le responsable R&D
• Accès au matériel : caméras industrielles, cartes embarquées, accélérateur d'inférence, banc de test
• Une expérience complète de la chaîne : donnée, modèle, embarqué, interface, terrain
• Défraiement des déplacements sur site
• Possibilité de collaboration ultérieure selon le déroulement du stage