Les méthodes manuelles d’évaluation des stocks pour les espèces benthiques sont gourmandes en ressources et inefficaces. Il existe un besoin urgent de mettre en place un système automatisé capable de détecter et de classifier de manière fiable les organismes benthiques à partir d’images sous-marines, afin de soutenir des décisions réglementaires fondées sur les données. En tirant parti de modèles de vision par ordinateur basés sur l’apprentissage profond et en développant un pipeline MLOps automatisé, nous avons cherché à détecter les organismes avec une grande précision et à intégrer ces capacités dans un flux de travail évolutif, pouvant s’appliquer à de vastes ensembles de données et à des environnements variés.
