maximeandClaude Opus 5.5 8c82368dec 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>
2026-11-13 13:10:33 +01:00

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 :

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).

S
Description
Diagnostic app for AIMsight
Readme
6.8 MiB
0 Stars 1 Watchers 0 Forks
Languages
JavaScript 50.7%
Python 46.7%
CSS 2.2%
HTML 0.4%