Mohamed Terri

Key Skills

Software

Remotasks

Scale AI

LabelImg

Top Subject Matter

No subject matter listed

Top Data Types

Document

Top Task Types

Evaluation Rating

Freelancer Overview

J’ai acquis une solide expérience en matière d’étiquetage de données et de préparation de données d’entraînement pour des modèles d’intelligence artificielle à travers divers projets impliquant la classification d’images, l’annotation de texte, la reconnaissance d’entités nommées, ainsi que la validation de données audio. Mon approche rigoureuse garantit la cohérence, la qualité et la pertinence des annotations, en particulier dans des contextes nécessitant une grande attention aux détails, comme le traitement du langage naturel ou la vision par ordinateur. Je suis également à l’aise avec les outils d’annotation collaboratifs (Labelbox, Prodigy, CVAT, etc.) et les formats de données courants (JSON, CSV, XML). Ce qui me distingue est ma capacité à allier compréhension technique des modèles d’IA et sens critique dans la sélection et l’étiquetage des données. Ayant travaillé en étroite collaboration avec des équipes de data scientists, je comprends les exigences en matière de qualité des données pour optimiser les performances des modèles. Je suis aussi sensible aux biais dans les jeux de données et veille à leur diversité et représentativité, contribuant ainsi à la robustesse et à l’équité des systèmes d’IA.

Labeling Experience

Annotation d’images pour la détection d’objets en milieu urbain

LabelimgImageBounding Box

Dans ce projet, j’ai participé à l’annotation de 25 000 images issues de caméras embarquées sur des véhicules circulant en ville. L’objectif était de former des modèles de détection d’objets pour la conduite autonome. Les objets annotés incluaient : voitures, piétons, feux tricolores, panneaux, pistes cyclables et zones de circulation. J’ai utilisé des boîtes englobantes précises et des masques de segmentation pour certains objets complexes. Mon rôle comprenait aussi : la vérification qualité (QA) des annotations faites par d’autres annotateurs, la normalisation des classes, le développement de scripts Python pour convertir les formats (COCO, YOLO), la collaboration avec les data scientists pour affiner les consignes. Le projet respectait un seuil de qualité de 98 % (selon les audits hebdomadaires). L’annotation semi-automatisée a été utilisée pour accélérer le processus tout en maintenant une précision manuelle sur les cas critiques.

Dans ce projet, j’ai participé à l’annotation de 25 000 images issues de caméras embarquées sur des véhicules circulant en ville. L’objectif était de former des modèles de détection d’objets pour la conduite autonome. Les objets annotés incluaient : voitures, piétons, feux tricolores, panneaux, pistes cyclables et zones de circulation. J’ai utilisé des boîtes englobantes précises et des masques de segmentation pour certains objets complexes. Mon rôle comprenait aussi : la vérification qualité (QA) des annotations faites par d’autres annotateurs, la normalisation des classes, le développement de scripts Python pour convertir les formats (COCO, YOLO), la collaboration avec les data scientists pour affiner les consignes. Le projet respectait un seuil de qualité de 98 % (selon les audits hebdomadaires). L’annotation semi-automatisée a été utilisée pour accélérer le processus tout en maintenant une précision manuelle sur les cas critiques.

2024 - 2024

Education

Work History