8c82368decb0d78b09e2fffd0dc895321710d993
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>
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 letool-builderfait 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 dansapp/README.md..claude/: les agents de l'app,analysteettool-builder, et le skilllire-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/), etcontrole.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 dansdetectors/, sur sa branchemain. Ensuite :git -C detectors push, puis icigit commit -m "..." -- detectorspour 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 :
ln -s <chemin vers les données>/data data # ou un dossier data/ rempli par le pompage
À la main :
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).
Languages
JavaScript
50.7%
Python
46.7%
CSS
2.2%
HTML
0.4%