Aligné sur le dépôt detectors finalisé (3886196) : scripts/, events, /detectors:wf-improve avec sa requête complète

La page Data lit detectors/scripts/categories.py (events) ; « Optimiser » envoie à /detectors:wf-improve la plage
de l'analyse, ses étiquettes, la vérité de référence, les familles, rapport.md et le dossier de sortie
<analyse>/detectors/<heure>/, dont le summary.md est le bilan affiché. Run app ne monte detectors qu'une fois,
sur main, pour ne pas masquer les commits d'une optimisation. Docs et commandes (--from/--to) à jour.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
This commit is contained in:
maximeandClaude Opus 5.5 committed 2026-11-13 13:10:33 +01:00
1 parent e4978e85f0
commit 8c82368dec
9 files changed
+57 -42

No files matched your search

+5 -5
View File
@@ -3,7 +3,7 @@
La web app de diagnostic AIMsight : la page Data (courbes, images de la caméra, étiquettes, événements des détecteurs) et son onglet Analysis, qui lance par `claude -p` :
- l'`analyste`, sur une plage choisie (« Analyser la plage ») : un rapport de diagnostic et des étiquettes ;
- « Optimiser les détecteurs », sur une analyse finie : `/detectors:detector-learner <analyse>` (le plugin du dépôt detectors) améliore les détecteurs depuis cette analyse, sans sur-apprentissage, contrôlé par le benchmark de toutes les étiquettes ; puis le `tool-builder` fait entrer les scripts de l'analyste dans les outils de lecture.
- « Optimiser les détecteurs », sur une analyse finie : `/detectors:wf-improve` (le plugin du dépôt detectors) améliore les détecteurs sur la plage de l'analyse, ses étiquettes pour vérité, sans sur-apprentissage, contrôlé par le benchmark de toutes les étiquettes ; puis le `tool-builder` fait entrer les scripts de l'analyste dans les outils de lecture.
## Le dépôt
@@ -11,12 +11,12 @@ La web app de diagnostic AIMsight : la page Data (courbes, images de la caméra,
- `.claude/` : les agents de l'app, `analyste` et `tool-builder`, et le skill `lire-les-donnees` (le mode d'emploi des outils de lecture).
- `agent-tools/` : les outils de lecture ; `donnees.py`, la lecture commune, sert aussi à l'app.
- `labeling/` : le savoir du labeling (`regles-d-etiquetage.md`, `familles.md`, `carte-des-etiquettes.md`, `connaissances/`), les étiquettes (`auto/<STATION>.jsonl`, la vérité du benchmark ; `manual/`), les analyses de l'app (`auto/analyses/`), et `controle.py`, `ids.py`.
- `detectors/` : le dépôt **detectors**, en sous-module : les détecteurs et le plugin Claude Code qui les améliore (`/detectors:detector-learner`), ses séances et son historique. La séance y commite ; pousser `detectors` pour que tous aient les détecteurs à jour.
- `detectors/` : le dépôt **detectors**, en sous-module : les détecteurs (`scripts/`) et le plugin Claude Code qui les améliore (`/detectors:wf-improve`). L'app lui donne tout à chaque séance (plage, étiquettes, vérité de référence, familles, dossier de sortie : `<analyse>/detectors/<heure>/`) ; la séance commite dans `detectors/`, sur sa branche `main`. Ensuite : `git -C detectors push`, puis ici `git commit -m "..." -- detectors` pour que le dépôt pointe la nouvelle version. Mettre à jour les détecteurs : `git -C detectors pull`.
- `data/` : les données des stations, **hors de git**, un dossier par station (`displacement/`, `metrics/`, `camera/`, `images/`).
## Installer et lancer
La tâche VS Code **Run app** fait tout : monte `detectors`, crée `.venv` et construit le front s'ils manquent, lance le serveur. Il faut seulement les données :
La tâche VS Code **Run app** fait tout : monte `detectors` la première fois (sur sa branche `main`), crée `.venv` et construit le front s'ils manquent, lance le serveur. Il faut seulement les données :
```bash
ln -s <chemin vers les données>/data data # ou un dossier data/ rempli par le pompage
@@ -25,10 +25,10 @@ ln -s <chemin vers les données>/data data # ou un dossier data/ rempli
À la main :
```bash
git submodule update --init
git submodule update --init && git -C detectors checkout -B main
python3 -m venv .venv && .venv/bin/pip install fastapi uvicorn markdown plotly matplotlib
cd app/web && npm install && npm run build && cd ../..
.venv/bin/python app/serveur/serveur.py
```
La page s'ouvre sur `http://127.0.0.1:8770`. `claude` (Claude Code, connecté) doit être sur le `PATH` pour l'onglet Analysis. Vérifications : `.venv/bin/python app/serveur/check.py`. Benchmark des détecteurs : `python3 detectors/skills/detector-learner/regression.py`.
La page s'ouvre sur `http://127.0.0.1:8770`. `claude` (Claude Code, connecté) doit être sur le `PATH` pour l'onglet Analysis. Vérifications : `.venv/bin/python app/serveur/check.py`. Benchmark des détecteurs : `python3 detectors/skills/wf-improve/scripts/regression.py --labels labeling/auto --data data` (~3 min).