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>
35 lines
2.9 KiB
Markdown
35 lines
2.9 KiB
Markdown
# Diagnostic-app
|
|
|
|
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: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
|
|
|
|
- `app/` : la web app (serveur FastAPI, page React et Mantine) ; sa doc dans `app/README.md`.
|
|
- `.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 (`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` 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
|
|
```
|
|
|
|
À la main :
|
|
|
|
```bash
|
|
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/wf-improve/scripts/regression.py --labels labeling/auto --data data` (~3 min).
|