Science

ML et MLOps

Classifieur de formes 3D, avec versionnage des données, suivi d'expériences et déploiement contrôlé par la CI.

Terminé Sprint S8+S16 · 13 points

En bref, sans jargon pour les non-informaticiensLire le résuméRefermer

Ce que c'est: Une intelligence artificielle qui reconnaît la forme d'un objet 3D (cube, sphère, cylindre…), entraînée sur des milliers d'exemples.
À quoi ça sert: Le principe de la reconnaissance automatique, appliqué aux formes 3D : trier des pièces, reconnaître des objets numérisés.
Ce que ça montre: Tout le cycle d'un projet d'intelligence artificielle : données, entraînement, précision mesurée (plus de 95 %) et mise en service contrôlée.

Prolonge le CNN 3D de ma thèse

Code source

Comment les morceaux tiennent ensemble

Pipeline DVC (params.yaml, dvc.lock) → Données (6 formes, 512 points) : génère
Données (6 formes, 512 points) → Modèles (scikit-learn, PyTorch) : entraînent
Modèles (scikit-learn, PyTorch) → MLflow (base SQLite locale)
Modèles (scikit-learn, PyTorch) → ONNX (pointnet.onnx, 300 Ko) : export vérifié
ONNX (pointnet.onnx, 300 Ko) → API Python (POST /v1/mesh/classify)
Pipeline DVC (params.yaml, dvc.lock) → Fiche du site (résultats lus au build) : métriques, matrices

Résultats

Mesurés sur 600 nuages de points de test (100 par classe), jamais vus à l'entraînement ; recalculés par la CI à chaque modification du projet.

Modèle	Précision	F1 macro	Entraînement (CPU)
Référence : descripteurs invariants + boosting (scikit-learn)	97,2 %	0,971	33 s
PointNet (PyTorch)	95,2 %	0,951	259 s
PointNet exporté en ONNX (servi par l'API)	95,2 %	–	–

La CI échoue si la meilleure précision, ou celle du modèle exporté, passe sous 90,0 %.

Matrice de confusion, modèle de référence
Vraie classe \ prédite	sphère	tore	boîte	cylindre	cône	gélule
sphère	100	0	0	0	0	0
tore	0	100	0	0	0	0
boîte	0	0	89	9	1	1
cylindre	0	0	4	94	0	2
cône	0	0	0	0	100	0
gélule	0	0	0	0	0	100

Matrice de confusion, PointNet
Vraie classe \ prédite	sphère	tore	boîte	cylindre	cône	gélule
sphère	100	0	0	0	0	0
tore	0	100	0	0	0	0
boîte	0	0	88	11	0	1
cylindre	0	0	12	83	0	5
cône	0	0	0	0	100	0
gélule	0	0	0	0	0	100

Lignes : la vraie classe ; colonnes : la classe prédite ; la diagonale compte les bonnes réponses. Les erreurs viennent presque toutes de la confusion entre boîte et cylindre.

Technologies

PyTorch
scikit-learn
DVC
MLflow
ONNX
GitHub Actions

Qui fait quoi

PyTorch: Entraîne le PointNet, un réseau qui classe un nuage de points.
scikit-learn: Le modèle de référence : descripteurs invariants par rotation et boosting, qui bat ici le réseau (97,2 % contre 95,2 %).
DVC: Décrit le pipeline (données, entraînement, export, contrôle) pour le rejouer à l'identique ; les données restent hors de git.
MLflow: Garde les paramètres, les métriques et la courbe de perte de chaque entraînement.
ONNX: Le format d'export du PointNet, vérifié identique à PyTorch, que l'API sert sans PyTorch.
GitHub Actions: Rejoue le pipeline en CI et échoue si la précision passe sous 90 %.

Definition of Done

Code relu, diff par diff
Tests unitaires et d'intégration verts
CI verte sur Linux, Windows et macOS si compilé
README, REVIEW.md et DECISIONS.md à jour
Textes en français et en anglais
Démo déployée et testée sur mobile