Etudiant : TEACH AYYOUB

Filière : Master Électronique Embarquée Et Systèmes Intelligents (2ESI)

Encadrant : Pr. EL ALAMI RACHID (P)

Annèe : 2026

Résumé : L’essor de la vision artificielle impose la détection d'objets en temps réel comme une brique essentielle pour l’automatisation. Cependant, le déploiement de réseaux de neurones profonds (DNN) sur systèmes embarqués se heurte aux contraintes matérielles des cibles physiques (processeur, RAM, consommation). Ce projet présente un benchmark comparatif de quatre architectures de l’état de l'art : YOLOv5s, YOLOv8s, SSD MobileNetV3 et Faster R-CNN. Afin de surmonter les limites d'un nano-ordinateur Raspberry Pi, nous avons implémenté une chaîne de compression logicielle convertissant les modèles au format ONNX, puis optimisés sous TensorFlow Lite via des techniques de quantification post-entraînement en nombres entiers 8 bits (PTQ INT8). Évalués sur un flux vidéo dynamique, les résultats mettent en évidence l’impact de la quantification pour réduire l'empreinte mémoire, éviter les crashs de saturation et maximiser la vitesse d'inférence (FPS), traçant la frontière de Pareto optimale pour l'Edge AI.