Initial commit of scripts

2025-11-10 16:40:12 +01:00 · 2025-11-10 16:40:12 +01:00 · 6bdda85438
commit 6bdda85438
parent 59a126cf49
17 changed files with 5353 additions and 5353 deletions
--- a/.dockerignore
+++ b/.dockerignore
@ -1,106 +1,106 @@
-# Notebooks de développement mais GARDER les samples
-notebooks/*.ipynb
-notebooks/p8_notebook.ipynb
-notebooks/requirements.txt
-.ipynb_checkpoints/
-# GARDER: notebooks/content/data/test_images_sample/ (nécessaire pour l'app)
-
-# Environment files (variables passées via docker run ou compose)
-.env
-.env.*
-!.env.example
-
-# Python cache et build files
-__pycache__/
-*.py[cod]
-*$py.class
-*.so
-.Python
-build/
-develop-eggs/
-dist/
-downloads/
-eggs/
-.eggs/
-lib/
-lib64/
-parts/
-sdist/
-var/
-wheels/
-pip-wheel-metadata/
-share/python-wheels/
-*.egg-info/
-.installed.cfg
-*.egg
-MANIFEST
-
-# Virtual environments
-venv/
-env/
-ENV/
-env.bak/
-venv.bak/
-.venv/
-
-# IDE et editor files
-.vscode/
-.idea/
-*.swp
-*.swo
-*~
-.DS_Store
-Thumbs.db
-
-# Git files
-.git/
-.gitignore
-.gitattributes
-
-# Documentation
-*.md
-!README.MD
-docs/
-documentation/
-
-# Test files
-tests/
-test_*/
-*_test.py
-debug_*.py
-pytest.ini
-tox.ini
-.coverage
-.pytest_cache/
-
-# Jupyter notebook outputs
-*.nbconvert
-
-# Fichiers temporaires
-.cache/
-.tmp/
-tmp/
-temp/
-*.tmp
-*.temp
-*.log
-logs/
-
-# OS generated files
-.DS_Store?
-ehthumbs.db
-Icon?
-
-# MLflow artifacts locaux (seront téléchargés depuis le registry)
-mlruns/
-mlruns.backup/
-mlartifacts/
-
-# Backup files
-*.bak
-*.backup
-
-# Large datasets (samples nécessaires sont gardés)
-*.zip
-*.tar.gz
-*.rar
+# Notebooks de développement mais GARDER les samples
+notebooks/*.ipynb
+notebooks/p8_notebook.ipynb
+notebooks/requirements.txt
+.ipynb_checkpoints/
+# GARDER: notebooks/content/data/test_images_sample/ (nécessaire pour l'app)
+
+# Environment files (variables passées via docker run ou compose)
+.env
+.env.*
+!.env.example
+
+# Python cache et build files
+__pycache__/
+*.py[cod]
+*$py.class
+*.so
+.Python
+build/
+develop-eggs/
+dist/
+downloads/
+eggs/
+.eggs/
+lib/
+lib64/
+parts/
+sdist/
+var/
+wheels/
+pip-wheel-metadata/
+share/python-wheels/
+*.egg-info/
+.installed.cfg
+*.egg
+MANIFEST
+
+# Virtual environments
+venv/
+env/
+ENV/
+env.bak/
+venv.bak/
+.venv/
+
+# IDE et editor files
+.vscode/
+.idea/
+*.swp
+*.swo
+*~
+.DS_Store
+Thumbs.db
+
+# Git files
+.git/
+.gitignore
+.gitattributes
+
+# Documentation
+*.md
+!README.MD
+docs/
+documentation/
+
+# Test files
+tests/
+test_*/
+*_test.py
+debug_*.py
+pytest.ini
+tox.ini
+.coverage
+.pytest_cache/
+
+# Jupyter notebook outputs
+*.nbconvert
+
+# Fichiers temporaires
+.cache/
+.tmp/
+tmp/
+temp/
+*.tmp
+*.temp
+*.log
+logs/
+
+# OS generated files
+.DS_Store?
+ehthumbs.db
+Icon?
+
+# MLflow artifacts locaux (seront téléchargés depuis le registry)
+mlruns/
+mlruns.backup/
+mlartifacts/
+
+# Backup files
+*.bak
+*.backup
+
+# Large datasets (samples nécessaires sont gardés)
+*.zip
+*.tar.gz
+*.rar
--- a/.env.example
+++ b/.env.example
@ -1,41 +1,41 @@
-# =============================================================================
-# Configuration du serveur
-# =============================================================================
-# Port sur lequel nginx écoute (défaut: 8080 pour compatibilité Cloud Run)
-NGINX_PORT=8080
-
-# =============================================================================
-# Configuration MLflow (pour le versioning et le téléchargement des modèles)
-# =============================================================================
-# URI du serveur MLflow de tracking
-MLFLOW_TRACKING_URI=http://localhost:5000
-
-# URL du stockage S3/MinIO pour les artefacts MLflow
-MLFLOW_S3_ENDPOINT_URL=http://localhost:9000
-
-# Clés d'accès S3/MinIO
-AWS_ACCESS_KEY_ID=minio_access_key
-AWS_SECRET_ACCESS_KEY=minio_secret_key
-
-# =============================================================================
-# Configuration email (optionnel - pour les notifications)
-# =============================================================================
-# Serveur SMTP
-SMTP_SERVER=smtp.gmail.com
-SMTP_PORT=587
-
-# Identifiants email
-SMTP_EMAIL=noreply@yourcompany.com
-SMTP_PASSWORD=your_app_password
-SMTP_FROM_ALIAS=Multi-Segmentation API
-
-# Email de l'administrateur (destinataire des notifications)
-ADMIN_EMAIL=admin@yourcompany.com
-
-# =============================================================================
-# Configuration de l'API
-# =============================================================================
-# URL de base de l'API (utilisée par Streamlit pour faire les appels)
-# En développement local: http://localhost:8080/api
-# En production: https://your-domain.com/api
-MULTISEG_API_BASE_URL=http://localhost:8080/api
+# =============================================================================
+# Configuration du serveur
+# =============================================================================
+# Port sur lequel nginx écoute (défaut: 8080 pour compatibilité Cloud Run)
+NGINX_PORT=8080
+
+# =============================================================================
+# Configuration MLflow (pour le versioning et le téléchargement des modèles)
+# =============================================================================
+# URI du serveur MLflow de tracking
+MLFLOW_TRACKING_URI=http://localhost:5000
+
+# URL du stockage S3/MinIO pour les artefacts MLflow
+MLFLOW_S3_ENDPOINT_URL=http://localhost:9000
+
+# Clés d'accès S3/MinIO
+AWS_ACCESS_KEY_ID=minio_access_key
+AWS_SECRET_ACCESS_KEY=minio_secret_key
+
+# =============================================================================
+# Configuration email (optionnel - pour les notifications)
+# =============================================================================
+# Serveur SMTP
+SMTP_SERVER=smtp.gmail.com
+SMTP_PORT=587
+
+# Identifiants email
+SMTP_EMAIL=noreply@yourcompany.com
+SMTP_PASSWORD=your_app_password
+SMTP_FROM_ALIAS=Multi-Segmentation API
+
+# Email de l'administrateur (destinataire des notifications)
+ADMIN_EMAIL=admin@yourcompany.com
+
+# =============================================================================
+# Configuration de l'API
+# =============================================================================
+# URL de base de l'API (utilisée par Streamlit pour faire les appels)
+# En développement local: http://localhost:8080/api
+# En production: https://your-domain.com/api
+MULTISEG_API_BASE_URL=http://localhost:8080/api
--- a/88
+++ b/88
@ -1,44 +1,44 @@
-FROM python:3.12-slim
-
-WORKDIR /app
-
-# Install system dependencies (ajout de git pour segmentation_models)
-RUN apt-get update && \
-    apt-get install -y nginx curl gettext-base git && \
-    # Pour OpenCV si nécessaire
-    apt-get install -y libglib2.0-0 libsm6 libxext6 libxrender-dev libgomp1 && \
-    adduser --system --no-create-home --group www-data || true && \
-    apt-get clean && \
-    rm -rf /var/lib/apt/lists/*
-
-# Copy app/ d'abord pour avoir requirements.txt
-COPY app/ ./app/
-
-# Install requirements depuis le bon chemin
-RUN pip install --no-cache-dir -r app/requirements.txt
-
-# ✅ CORRECTION: Copy start.sh AVANT les permissions
-COPY start.sh ./start.sh
-
-# Copy du reste après installation (optimise les layers Docker)
-COPY utils/ ./utils/
-COPY cityscapes_config.json .
-COPY notebooks/content/data/test_images_sample/ ./notebooks/content/data/test_images_sample/
-COPY notebooks/content/data/train_images_sample/ ./notebooks/content/data/train_images_sample/
-
-# Copy nginx config
-COPY nginx.conf /etc/nginx/nginx.conf.template
-
-# ✅ CORRECTION: Setup permissions APRÈS avoir copié start.sh + correction fins de ligne
-RUN mkdir -p /var/log/nginx /var/lib/nginx /run && \
-    sed -i 's/\r$//' ./start.sh && \
-    chmod +x ./start.sh
-
-# Environment variables
-ENV NGINX_PORT=8080
-ENV MULTISEG_API_BASE_URL=http://localhost:8080/api
-
-EXPOSE $NGINX_PORT
-
-# ✅ CORRECTION: Chemin cohérent (./start.sh au lieu de /app/start.sh)
-CMD ["./start.sh"]
+FROM python:3.12-slim
+
+WORKDIR /app
+
+# Install system dependencies (ajout de git pour segmentation_models)
+RUN apt-get update && \
+    apt-get install -y nginx curl gettext-base git && \
+    # Pour OpenCV si nécessaire
+    apt-get install -y libglib2.0-0 libsm6 libxext6 libxrender-dev libgomp1 && \
+    adduser --system --no-create-home --group www-data || true && \
+    apt-get clean && \
+    rm -rf /var/lib/apt/lists/*
+
+# Copy app/ d'abord pour avoir requirements.txt
+COPY app/ ./app/
+
+# Install requirements depuis le bon chemin
+RUN pip install --no-cache-dir -r app/requirements.txt
+
+# ✅ CORRECTION: Copy start.sh AVANT les permissions
+COPY start.sh ./start.sh
+
+# Copy du reste après installation (optimise les layers Docker)
+COPY utils/ ./utils/
+COPY cityscapes_config.json .
+COPY notebooks/content/data/test_images_sample/ ./notebooks/content/data/test_images_sample/
+COPY notebooks/content/data/train_images_sample/ ./notebooks/content/data/train_images_sample/
+
+# Copy nginx config
+COPY nginx.conf /etc/nginx/nginx.conf.template
+
+# ✅ CORRECTION: Setup permissions APRÈS avoir copié start.sh + correction fins de ligne
+RUN mkdir -p /var/log/nginx /var/lib/nginx /run && \
+    sed -i 's/\r$//' ./start.sh && \
+    chmod +x ./start.sh
+
+# Environment variables
+ENV NGINX_PORT=8080
+ENV MULTISEG_API_BASE_URL=http://localhost:8080/api
+
+EXPOSE $NGINX_PORT
+
+# ✅ CORRECTION: Chemin cohérent (./start.sh au lieu de /app/start.sh)
+CMD ["./start.sh"]
--- a/README.MD
+++ b/README.MD
@ -1,116 +1,116 @@
-# Street Vision PoC - Segmentation Sémantique Urbaine
-
-## 🎯 Description du Projet
-
-**Street Vision PoC** est une preuve de concept démontrant l'amélioration des performances de segmentation sémantique urbaine en comparant les architectures CNN traditionnelles (FPN) aux approches Transformer modernes (SegFormer).
-
-Ce projet évalue empiriquement le potentiel des **Vision Transformers** pour la compréhension de scènes urbaines complexes, avec un focus sur les classes critiques pour la sécurité (piétons, véhicules, signalétique).
-
-### 🔬 Contexte Technique
-
- **Dataset** : Cityscapes (2,975 images haute résolution annotées pixel-par-pixel)
- **Architectures comparées** : 
-  - **CNN traditionnel** : FPN + EfficientNet-B0/ResNet34
-  - **Vision Transformer** : SegFormer-B0/B1
- **Résolutions d'évaluation** : 512×512 et 768×768 pixels
- **Métrique principale** : Mean Intersection over Union (mIoU)
-
-## 📊 Résultats Principaux
-
-| **Modèle** | **mIoU** | **Paramètres** | **Taille** | **Performance** |
-|------------|----------|----------------|------------|-----------------|
-| **SegFormer-B1** | **79.98%** | 13.68M | 52MB | ⭐ **Meilleur** |
-| **FPN+ResNet34** | 79.22% | 23.16M | 88MB | 🔄 Baseline forte |
-| **FPN+EfficientNet-B0** | 78.67% | 5.76M | 22MB | 💡 Compact |
-| **SegFormer-B0** | 77.91% | 3.72M | 14MB | ⚡ Ultra-léger |
-
-**Analyse comparative** : SegFormer-B1 et FPN+ResNet34 atteignent des performances similaires (~79-80% mIoU), mais SegFormer-B1 présente l'avantage d'être plus compact et probablement plus rapide sur GPU. Les versions SegFormer-B2 à B5 promettraient des gains significatifs, mais mes contraintes matérielles n'ont pas permis leur évaluation.
-
-### 🎯 Gains Significatifs par Classes Critiques
-
- **Human** : +1.78% IoU (sécurité critique)
- **Vehicle** : +1.05% IoU (obstacles mobiles)
- **Object** : +0.56% IoU (signalétique urbaine)
-
-## 🚀 Déploiement Rapide
-
-### Docker Hub
-
-L'application est containerisée et disponible sur Docker Hub :
-
-```bash
-docker pull grgmdmn/street-vision-poc_api
-```
-
-### Configuration avec Docker Compose
-
-1. Copiez le fichier d'exemple de configuration :
-```bash
-cp docker-compose.yml.example docker-compose.yml
-```
-
-2. Configurez les variables d'environnement dans `docker-compose.yml`.
-
-3. Lancez l'application :
-```bash
-docker-compose up -d
-```
-
-4. Accédez à l'interface : `http://localhost:$(port)`
-
-## 🎮 Fonctionnalités de l'Interface
-
-### Dashboard Interactif
-
- **Upload d'images** : Glisser-déposer d'images urbaines
- **Double inférence** : Comparaison simultanée FPN vs SegFormer
- **Visualisation** : Masques de segmentation colorés par classe
- **Métriques temps réel** : Temps d'inférence et scores de confiance
- **Export** : Téléchargement des résultats de segmentation
- **Accessibilité WCAG** : Interface conforme aux standards d'accessibilité
-
-### Analyse Exploratoire des Données
-
- **Statistiques Cityscapes** : Distribution des classes, résolutions natives
- **Graphiques interactifs** : Répartition pixel par méta-classe
- **Exemples annotés** : Visualisation échantillons du dataset
-
-## 📈 Méthodologie d'Évaluation
-
-### Approche Comparative
-
-1. **Baseline CNN** : Réentraînement FPN+EfficientNet/ResNet aux résolutions supérieures
-2. **Nouvelle approche** : Évaluation SegFormer avec attention globale
-3. **Protocole rigoureux** : Validation croisée, métriques standardisées
-4. **Analyse par classe** : Performance détaillée sur 8 méta-classes urbaines
-
-### Limites Identifiées
-
- **Résolution fixe** : Évaluation sans sliding window (vs protocole original)
- **Ressources limitées** : Tests uniquement sur SegFormer-B0/B1
- **Conditions contrôlées** : Dataset Cityscapes uniquement (météo favorable)
-
-## 🔬 Insights Techniques
-
-### Avantages SegFormer
-
- **Attention globale** : Chaque pixel "voit" toute l'image simultanément
- **Architecture plus légère** : Modèle compact avec moins de paramètres
- **Robustesse contextuelle** : Meilleure gestion occlusions et objets complexes
- **Potentiel d'amélioration** : Versions B2-B5 promettraient des gains significatifs
-
-### Trade-offs Identifiés
-
- **Vitesse CPU classique** : ~2× plus lent que FPN sur processeurs haute performance (Xeon, 9600X)
- **Vitesse CPU économe** : 3× plus rapide sur processeurs économes en énergie (N100)
- **Optimisation GPU** : Architecture Transformer favorisée par accélération matérielle
-
-## 📚 Références
-
- **Xie, E. et al.** (2021). *SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers*. NeurIPS 2021.
- **Cordts, M. et al.** (2016). *The Cityscapes Dataset for Semantic Urban Scene Understanding*. CVPR 2016.
- **Segmentation Models PyTorch** - [Framework d'implémentation utilisé](https://github.com/qubvel/segmentation_models.pytorch)
-
---
-
+# Street Vision PoC - Segmentation Sémantique Urbaine
+
+## 🎯 Description du Projet
+
+**Street Vision PoC** est une preuve de concept démontrant l'amélioration des performances de segmentation sémantique urbaine en comparant les architectures CNN traditionnelles (FPN) aux approches Transformer modernes (SegFormer).
+
+Ce projet évalue empiriquement le potentiel des **Vision Transformers** pour la compréhension de scènes urbaines complexes, avec un focus sur les classes critiques pour la sécurité (piétons, véhicules, signalétique).
+
+### 🔬 Contexte Technique
+
+- **Dataset** : Cityscapes (2,975 images haute résolution annotées pixel-par-pixel)
+- **Architectures comparées** : 
+  - **CNN traditionnel** : FPN + EfficientNet-B0/ResNet34
+  - **Vision Transformer** : SegFormer-B0/B1
+- **Résolutions d'évaluation** : 512×512 et 768×768 pixels
+- **Métrique principale** : Mean Intersection over Union (mIoU)
+
+## 📊 Résultats Principaux
+
+| **Modèle** | **mIoU** | **Paramètres** | **Taille** | **Performance** |
+|------------|----------|----------------|------------|-----------------|
+| **SegFormer-B1** | **79.98%** | 13.68M | 52MB | ⭐ **Meilleur** |
+| **FPN+ResNet34** | 79.22% | 23.16M | 88MB | 🔄 Baseline forte |
+| **FPN+EfficientNet-B0** | 78.67% | 5.76M | 22MB | 💡 Compact |
+| **SegFormer-B0** | 77.91% | 3.72M | 14MB | ⚡ Ultra-léger |
+
+**Analyse comparative** : SegFormer-B1 et FPN+ResNet34 atteignent des performances similaires (~79-80% mIoU), mais SegFormer-B1 présente l'avantage d'être plus compact et probablement plus rapide sur GPU. Les versions SegFormer-B2 à B5 promettraient des gains significatifs, mais mes contraintes matérielles n'ont pas permis leur évaluation.
+
+### 🎯 Gains Significatifs par Classes Critiques
+
+- **Human** : +1.78% IoU (sécurité critique)
+- **Vehicle** : +1.05% IoU (obstacles mobiles)
+- **Object** : +0.56% IoU (signalétique urbaine)
+
+## 🚀 Déploiement Rapide
+
+### Docker Hub
+
+L'application est containerisée et disponible sur Docker Hub :
+
+```bash
+docker pull grgmdmn/street-vision-poc_api
+```
+
+### Configuration avec Docker Compose
+
+1. Copiez le fichier d'exemple de configuration :
+```bash
+cp docker-compose.yml.example docker-compose.yml
+```
+
+2. Configurez les variables d'environnement dans `docker-compose.yml`.
+
+3. Lancez l'application :
+```bash
+docker-compose up -d
+```
+
+4. Accédez à l'interface : `http://localhost:$(port)`
+
+## 🎮 Fonctionnalités de l'Interface
+
+### Dashboard Interactif
+
+- **Upload d'images** : Glisser-déposer d'images urbaines
+- **Double inférence** : Comparaison simultanée FPN vs SegFormer
+- **Visualisation** : Masques de segmentation colorés par classe
+- **Métriques temps réel** : Temps d'inférence et scores de confiance
+- **Export** : Téléchargement des résultats de segmentation
+- **Accessibilité WCAG** : Interface conforme aux standards d'accessibilité
+
+### Analyse Exploratoire des Données
+
+- **Statistiques Cityscapes** : Distribution des classes, résolutions natives
+- **Graphiques interactifs** : Répartition pixel par méta-classe
+- **Exemples annotés** : Visualisation échantillons du dataset
+
+## 📈 Méthodologie d'Évaluation
+
+### Approche Comparative
+
+1. **Baseline CNN** : Réentraînement FPN+EfficientNet/ResNet aux résolutions supérieures
+2. **Nouvelle approche** : Évaluation SegFormer avec attention globale
+3. **Protocole rigoureux** : Validation croisée, métriques standardisées
+4. **Analyse par classe** : Performance détaillée sur 8 méta-classes urbaines
+
+### Limites Identifiées
+
+- **Résolution fixe** : Évaluation sans sliding window (vs protocole original)
+- **Ressources limitées** : Tests uniquement sur SegFormer-B0/B1
+- **Conditions contrôlées** : Dataset Cityscapes uniquement (météo favorable)
+
+## 🔬 Insights Techniques
+
+### Avantages SegFormer
+
+- **Attention globale** : Chaque pixel "voit" toute l'image simultanément
+- **Architecture plus légère** : Modèle compact avec moins de paramètres
+- **Robustesse contextuelle** : Meilleure gestion occlusions et objets complexes
+- **Potentiel d'amélioration** : Versions B2-B5 promettraient des gains significatifs
+
+### Trade-offs Identifiés
+
+- **Vitesse CPU classique** : ~2× plus lent que FPN sur processeurs haute performance (Xeon, 9600X)
+- **Vitesse CPU économe** : 3× plus rapide sur processeurs économes en énergie (N100)
+- **Optimisation GPU** : Architecture Transformer favorisée par accélération matérielle
+
+## 📚 Références
+
+- **Xie, E. et al.** (2021). *SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers*. NeurIPS 2021.
+- **Cordts, M. et al.** (2016). *The Cityscapes Dataset for Semantic Urban Scene Understanding*. CVPR 2016.
+- **Segmentation Models PyTorch** - [Framework d'implémentation utilisé](https://github.com/qubvel/segmentation_models.pytorch)
+
+---
+
 **Note** : Cette preuve de concept démontre le potentiel des architectures Transformer pour la segmentation urbaine, tout en soulignant l'importance des ressources computationnelles pour exploiter pleinement leurs capacités.
--- a/app/README.MD
+++ b/app/README.MD
@ -1,108 +1,108 @@
-
-# Dashboard de Comparaison de Modèles
-
-## Conformité aux Exigences
-
-### Analyse Exploratoire des Données Non Structurées (Images)
-
-**Présentation d'exemples d'images selon les catégories :**
- Visualisation d'images du dataset Cityscapes organisées par 8 méta-classes de segmentation
- Sélection interactive d'images d'entraînement et de test avec prévisualisation
- Interface de navigation par catégories avec noms d'affichage conviviaux
-
-**Comptage et répartition des données :**
- Graphiques en secteurs (pie charts) détaillant la répartition des 25,000 images Cityscapes
- Visualisation de l'utilisation projet : 80% train / 20% validation / 100% test
- Graphique de distribution des classes dans le dataset d'entraînement
- Tableaux récapitulatifs avec statistiques détaillées par split
-
-**Transformations des images :**
- Démonstration interactive du preprocessing : redimensionnement et normalisation
- Visualisation des augmentations de données aléatoires (rotation, flip, luminosité, etc.)
- Comparaison avant/après transformations avec alignement visuel
- Documentation complète des 6 types d'augmentations possibles
-
-### Sélection de Données d'Entrée
-
-**Interface de sélection multiple :**
- Liste déroulante pour images test Cityscapes avec informations sur la vérité terrain
- Upload de fichiers personnels (JPEG, PNG) avec validation de format
- Prévisualisation des images sélectionnées avant traitement
- Gestion des erreurs et feedback utilisateur en temps réel
-
-### Résultats de Prédiction
-
-**Comparaison complète de modèles :**
- Affichage côte à côte des prédictions des deux meilleurs modèles
- Visualisations avec image originale, masques prédits et vérité terrain
- Détection et mise en évidence des erreurs de segmentation
- Statistiques détaillées par classe avec pourcentages et nombre de pixels
-
-**Métriques de performance :**
- Temps d'inférence comparatif avec analyse de vitesse
- Scores de performance (mIoU, Accuracy) par modèle
- IoU par classe pour analyse fine des performances
- Graphiques comparatifs interactifs des résultats
-
-### Déploiement Cloud
-
-**Architecture déployée :**
- Application FastAPI pour l'API de comparaison de modèles
- Interface Streamlit pour le dashboard utilisateur
- Déploiement sur infrastructure cloud avec haute disponibilité
- Gestion automatique des ressources et montée en charge
-
-### Accessibilité WCAG
-
-**Conformité aux critères essentiels :**
-
-#### Contraste des Couleurs (WCAG AA)
- Palette de couleurs avec ratios de contraste ≥ 4.1:1 pour éléments graphiques
- Ratios de contraste ≥ 4.5:1 pour le texte sur fond
- 8 couleurs principales validées : bleu (#0066CC), rouge (#CC0000), vert (#006600), etc.
- Remplacement des dégradés par des couleurs unies à contraste élevé
-
-#### Alternatives Textuelles
- Descriptions alternatives détaillées pour tous les graphiques générées automatiquement
- Textes explicatifs pour chaque visualisation (pie charts, bar charts)
- Labels ARIA appropriés pour les éléments interactifs
- Documentation textuelle complète des transformations d'images
-
-#### Indication Non-Couleur Uniquement
- Motifs et hachures complémentaires aux couleurs (optionnel via checkbox)
- 6 motifs différents : diagonales, verticales, horizontales, points, croix
- Différenciation par forme et texture en plus des couleurs
- Bordures et contours renforcés pour la distinction visuelle
-
-#### Navigation Clavier
- CSS focus visible avec contours bleus (#0066CC) de 2px
- Support complet de la navigation par tabulation
- Indicateurs visuels clairs pour les éléments focusés
- Respect de l'ordre logique de navigation
-
-#### Tableaux de Données Accessibles
- Tableaux structurés complémentaires à tous les graphiques
- En-têtes appropriés avec scope et descriptions
- Données exportables et lisibles par lecteurs d'écran
- Configuration responsive pour tous les écrans
-
-**Fonctionnalités d'assistance intégrées :**
- Checkbox "Activer les motifs (accessibilité visuelle)" pour personnalisation
- Descriptions automatiques des graphiques avec statistiques complètes
- Interface adaptable aux besoins des utilisateurs en situation de handicap
- Documentation complète des fonctionnalités d'accessibilité via endpoint `/accessibility-info`
-
-## Architecture Technique
-
-**Stack technologique :**
- Backend : FastAPI + PyTorch pour l'inférence des modèles
- Frontend : Streamlit avec composants accessibles
- Visualisations : Matplotlib avec palettes WCAG
- API REST documentée avec validation Pydantic
- Gestion d'état optimisée pour les comparaisons de modèles
-
-**Performance et fiabilité :**
- Temps d'inférence optimisés (< 1 seconde par image)
- Gestion mémoire efficace avec fermeture automatique des figures
- Validation des formats et tailles de fichiers
- Nettoyage automatique des fichiers temporaires
+
+# Dashboard de Comparaison de Modèles
+
+## Conformité aux Exigences
+
+### Analyse Exploratoire des Données Non Structurées (Images)
+
+**Présentation d'exemples d'images selon les catégories :**
+- Visualisation d'images du dataset Cityscapes organisées par 8 méta-classes de segmentation
+- Sélection interactive d'images d'entraînement et de test avec prévisualisation
+- Interface de navigation par catégories avec noms d'affichage conviviaux
+
+**Comptage et répartition des données :**
+- Graphiques en secteurs (pie charts) détaillant la répartition des 25,000 images Cityscapes
+- Visualisation de l'utilisation projet : 80% train / 20% validation / 100% test
+- Graphique de distribution des classes dans le dataset d'entraînement
+- Tableaux récapitulatifs avec statistiques détaillées par split
+
+**Transformations des images :**
+- Démonstration interactive du preprocessing : redimensionnement et normalisation
+- Visualisation des augmentations de données aléatoires (rotation, flip, luminosité, etc.)
+- Comparaison avant/après transformations avec alignement visuel
+- Documentation complète des 6 types d'augmentations possibles
+
+### Sélection de Données d'Entrée
+
+**Interface de sélection multiple :**
+- Liste déroulante pour images test Cityscapes avec informations sur la vérité terrain
+- Upload de fichiers personnels (JPEG, PNG) avec validation de format
+- Prévisualisation des images sélectionnées avant traitement
+- Gestion des erreurs et feedback utilisateur en temps réel
+
+### Résultats de Prédiction
+
+**Comparaison complète de modèles :**
+- Affichage côte à côte des prédictions des deux meilleurs modèles
+- Visualisations avec image originale, masques prédits et vérité terrain
+- Détection et mise en évidence des erreurs de segmentation
+- Statistiques détaillées par classe avec pourcentages et nombre de pixels
+
+**Métriques de performance :**
+- Temps d'inférence comparatif avec analyse de vitesse
+- Scores de performance (mIoU, Accuracy) par modèle
+- IoU par classe pour analyse fine des performances
+- Graphiques comparatifs interactifs des résultats
+
+### Déploiement Cloud
+
+**Architecture déployée :**
+- Application FastAPI pour l'API de comparaison de modèles
+- Interface Streamlit pour le dashboard utilisateur
+- Déploiement sur infrastructure cloud avec haute disponibilité
+- Gestion automatique des ressources et montée en charge
+
+### Accessibilité WCAG
+
+**Conformité aux critères essentiels :**
+
+#### Contraste des Couleurs (WCAG AA)
+- Palette de couleurs avec ratios de contraste ≥ 4.1:1 pour éléments graphiques
+- Ratios de contraste ≥ 4.5:1 pour le texte sur fond
+- 8 couleurs principales validées : bleu (#0066CC), rouge (#CC0000), vert (#006600), etc.
+- Remplacement des dégradés par des couleurs unies à contraste élevé
+
+#### Alternatives Textuelles
+- Descriptions alternatives détaillées pour tous les graphiques générées automatiquement
+- Textes explicatifs pour chaque visualisation (pie charts, bar charts)
+- Labels ARIA appropriés pour les éléments interactifs
+- Documentation textuelle complète des transformations d'images
+
+#### Indication Non-Couleur Uniquement
+- Motifs et hachures complémentaires aux couleurs (optionnel via checkbox)
+- 6 motifs différents : diagonales, verticales, horizontales, points, croix
+- Différenciation par forme et texture en plus des couleurs
+- Bordures et contours renforcés pour la distinction visuelle
+
+#### Navigation Clavier
+- CSS focus visible avec contours bleus (#0066CC) de 2px
+- Support complet de la navigation par tabulation
+- Indicateurs visuels clairs pour les éléments focusés
+- Respect de l'ordre logique de navigation
+
+#### Tableaux de Données Accessibles
+- Tableaux structurés complémentaires à tous les graphiques
+- En-têtes appropriés avec scope et descriptions
+- Données exportables et lisibles par lecteurs d'écran
+- Configuration responsive pour tous les écrans
+
+**Fonctionnalités d'assistance intégrées :**
+- Checkbox "Activer les motifs (accessibilité visuelle)" pour personnalisation
+- Descriptions automatiques des graphiques avec statistiques complètes
+- Interface adaptable aux besoins des utilisateurs en situation de handicap
+- Documentation complète des fonctionnalités d'accessibilité via endpoint `/accessibility-info`
+
+## Architecture Technique
+
+**Stack technologique :**
+- Backend : FastAPI + PyTorch pour l'inférence des modèles
+- Frontend : Streamlit avec composants accessibles
+- Visualisations : Matplotlib avec palettes WCAG
+- API REST documentée avec validation Pydantic
+- Gestion d'état optimisée pour les comparaisons de modèles
+
+**Performance et fiabilité :**
+- Temps d'inférence optimisés (< 1 seconde par image)
+- Gestion mémoire efficace avec fermeture automatique des figures
+- Validation des formats et tailles de fichiers
+- Nettoyage automatique des fichiers temporaires
--- a/app/main.py
+++ b/app/main.py
--- a/app/requirements.txt
+++ b/app/requirements.txt
@ -1,71 +1,71 @@
-# =============================================================================
-# Multi-Class Segmentation API - Requirements
-# =============================================================================
-
-# ===== CORE WEB FRAMEWORK =====
-fastapi==0.115.14
-uvicorn==0.35.0
-starlette==0.46.2
-pydantic==2.11.7
-pydantic_core==2.33.2
-python-multipart==0.0.20  # uploads FastAPI
-
-# ===== STREAMLIT =====
-streamlit==1.46.1
-altair==5.5.0  # utilisé par Streamlit
-blinker==1.9.0 # dépendance Streamlit
-
-# ===== HTTP CLIENTS =====
-requests==2.32.4
-httpx==0.28.1   # utilisé en interne par FastAPI
-httpcore==1.0.9
-h11==0.16.0
-
-# ===== MACHINE LEARNING CORE (PyTorch) =====
-torch==2.8.0        # version stable PyTorch
-torchvision==0.23.0 # utile pour les modèles pré-entraînés
-torchaudio==2.8.0   # optionnel (mais recommandé pour compatibilité PyTorch)
-segmentation-models-pytorch==0.5.0
-albumentations==2.0.8
-# version PyTorch de ToTensor
-albumentations[imgaug,opencv]
-
-numpy>=1.24.0,<2.0.0
-scipy==1.16.0
-scikit-learn==1.7.0
-
-# ===== COMPUTER VISION =====
-pillow==11.3.0
-opencv-python-headless==4.9.0.80
-scikit-image==0.25.2
-imageio==2.37.0
-
-# ===== DATA SCIENCE =====
-pandas==2.3.0
-matplotlib==3.10.3
-networkx==3.5
-tifffile==2025.6.11
-lazy_loader==0.4
-
-# ===== MLFLOW & MODEL REGISTRY =====
-mlflow==3.2.0
-mlflow-skinny==3.2.0
-mlflow-tracing==3.2.0
-
-# ===== AWS/S3 SUPPORT =====
-boto3==1.39.2
-botocore==1.39.2
-s3transfer==0.13.0
-
-# ===== UTILITIES =====
-click==8.2.1
-tqdm==4.67.1
-joblib==1.5.1
-python-dateutil
-packaging
-typing_extensions==4.14.0
-
-# ===== MATPLOTLIB ADDONS =====
-cycler==0.12.1
-fonttools==4.58.5
-plotly==5.24.1
+# =============================================================================
+# Multi-Class Segmentation API - Requirements
+# =============================================================================
+
+# ===== CORE WEB FRAMEWORK =====
+fastapi==0.115.14
+uvicorn==0.35.0
+starlette==0.46.2
+pydantic==2.11.7
+pydantic_core==2.33.2
+python-multipart==0.0.20  # uploads FastAPI
+
+# ===== STREAMLIT =====
+streamlit==1.46.1
+altair==5.5.0  # utilisé par Streamlit
+blinker==1.9.0 # dépendance Streamlit
+
+# ===== HTTP CLIENTS =====
+requests==2.32.4
+httpx==0.28.1   # utilisé en interne par FastAPI
+httpcore==1.0.9
+h11==0.16.0
+
+# ===== MACHINE LEARNING CORE (PyTorch) =====
+torch==2.8.0        # version stable PyTorch
+torchvision==0.23.0 # utile pour les modèles pré-entraînés
+torchaudio==2.8.0   # optionnel (mais recommandé pour compatibilité PyTorch)
+segmentation-models-pytorch==0.5.0
+albumentations==2.0.8
+# version PyTorch de ToTensor
+albumentations[imgaug,opencv]
+
+numpy>=1.24.0,<2.0.0
+scipy==1.16.0
+scikit-learn==1.7.0
+
+# ===== COMPUTER VISION =====
+pillow==11.3.0
+opencv-python-headless==4.9.0.80
+scikit-image==0.25.2
+imageio==2.37.0
+
+# ===== DATA SCIENCE =====
+pandas==2.3.0
+matplotlib==3.10.3
+networkx==3.5
+tifffile==2025.6.11
+lazy_loader==0.4
+
+# ===== MLFLOW & MODEL REGISTRY =====
+mlflow==3.2.0
+mlflow-skinny==3.2.0
+mlflow-tracing==3.2.0
+
+# ===== AWS/S3 SUPPORT =====
+boto3==1.39.2
+botocore==1.39.2
+s3transfer==0.13.0
+
+# ===== UTILITIES =====
+click==8.2.1
+tqdm==4.67.1
+joblib==1.5.1
+python-dateutil
+packaging
+typing_extensions==4.14.0
+
+# ===== MATPLOTLIB ADDONS =====
+cycler==0.12.1
+fonttools==4.58.5
+plotly==5.24.1
--- a/app/streamlit_app.py
+++ b/app/streamlit_app.py
--- a/cityscapes_config.json
+++ b/cityscapes_config.json
@ -1,63 +1,63 @@
-{
-  "class_groups": {
-    "flat": ["road", "sidewalk", "parking", "rail track"],
-    "human": ["person", "rider"],
-    "vehicle": ["car", "truck", "bus", "train", "motorcycle", "bicycle", "caravan", "trailer"],
-    "construction": ["building", "wall", "fence", "guard rail", "bridge", "tunnel"],
-    "object": ["pole", "pole group", "traffic sign", "traffic light"],
-    "nature": ["vegetation", "terrain"],
-    "sky": ["sky"],
-    "void": ["unlabeled", "ego vehicle", "rectification border", "out of roi", "static", "dynamic", "ground"]
-  },
-  "cityscapes_mapping": {
-    "0": 7, "1": 7, "2": 7, "3": 7, "4": 7, "5": 7, "6": 7,
-    "7": 0, "8": 0, "9": 0, "10": 0,
-    "11": 3, "12": 3, "13": 3, "14": 3, "15": 3, "16": 3,
-    "17": 4, "18": 4, "19": 4, "20": 4,
-    "21": 5, "22": 5,
-    "23": 6,
-    "24": 1, "25": 1,
-    "26": 2, "27": 2, "28": 2, "29": 2, "30": 2, "31": 2, "32": 2, "33": 2
-  },
-  "id_to_label": {
-    "0": "unlabeled",
-    "1": "ego vehicle",
-    "2": "rectification border",
-    "3": "out of roi",
-    "4": "static",
-    "5": "dynamic",
-    "6": "ground",
-    "7": "road",
-    "8": "sidewalk",
-    "9": "parking",
-    "10": "rail track",
-    "11": "building",
-    "12": "wall",
-    "13": "fence",
-    "14": "guard rail",
-    "15": "bridge",
-    "16": "tunnel",
-    "17": "pole",
-    "18": "pole group",
-    "19": "traffic light",
-    "20": "traffic sign",
-    "21": "vegetation",
-    "22": "terrain",
-    "23": "sky",
-    "24": "person",
-    "25": "rider",
-    "26": "car",
-    "27": "truck",
-    "28": "bus",
-    "29": "caravan",
-    "30": "trailer",
-    "31": "train",
-    "32": "motorcycle",
-    "33": "bicycle"
-  },
-  "group_colors": [
-    [128, 64, 128], [220, 20, 60], [0, 0, 142], [70, 70, 70],
-    [220, 220, 0], [107, 142, 35], [70, 130, 180], [0, 0, 0]
-  ],
-  "group_names": ["flat", "human", "vehicle", "construction", "object", "nature", "sky", "void"]
-}
+{
+  "class_groups": {
+    "flat": ["road", "sidewalk", "parking", "rail track"],
+    "human": ["person", "rider"],
+    "vehicle": ["car", "truck", "bus", "train", "motorcycle", "bicycle", "caravan", "trailer"],
+    "construction": ["building", "wall", "fence", "guard rail", "bridge", "tunnel"],
+    "object": ["pole", "pole group", "traffic sign", "traffic light"],
+    "nature": ["vegetation", "terrain"],
+    "sky": ["sky"],
+    "void": ["unlabeled", "ego vehicle", "rectification border", "out of roi", "static", "dynamic", "ground"]
+  },
+  "cityscapes_mapping": {
+    "0": 7, "1": 7, "2": 7, "3": 7, "4": 7, "5": 7, "6": 7,
+    "7": 0, "8": 0, "9": 0, "10": 0,
+    "11": 3, "12": 3, "13": 3, "14": 3, "15": 3, "16": 3,
+    "17": 4, "18": 4, "19": 4, "20": 4,
+    "21": 5, "22": 5,
+    "23": 6,
+    "24": 1, "25": 1,
+    "26": 2, "27": 2, "28": 2, "29": 2, "30": 2, "31": 2, "32": 2, "33": 2
+  },
+  "id_to_label": {
+    "0": "unlabeled",
+    "1": "ego vehicle",
+    "2": "rectification border",
+    "3": "out of roi",
+    "4": "static",
+    "5": "dynamic",
+    "6": "ground",
+    "7": "road",
+    "8": "sidewalk",
+    "9": "parking",
+    "10": "rail track",
+    "11": "building",
+    "12": "wall",
+    "13": "fence",
+    "14": "guard rail",
+    "15": "bridge",
+    "16": "tunnel",
+    "17": "pole",
+    "18": "pole group",
+    "19": "traffic light",
+    "20": "traffic sign",
+    "21": "vegetation",
+    "22": "terrain",
+    "23": "sky",
+    "24": "person",
+    "25": "rider",
+    "26": "car",
+    "27": "truck",
+    "28": "bus",
+    "29": "caravan",
+    "30": "trailer",
+    "31": "train",
+    "32": "motorcycle",
+    "33": "bicycle"
+  },
+  "group_colors": [
+    [128, 64, 128], [220, 20, 60], [0, 0, 142], [70, 70, 70],
+    [220, 220, 0], [107, 142, 35], [70, 130, 180], [0, 0, 0]
+  ],
+  "group_names": ["flat", "human", "vehicle", "construction", "object", "nature", "sky", "void"]
+}
--- a/docker-compose.yml.example
+++ b/docker-compose.yml.example
@ -1,47 +1,47 @@
-version: '3.8'
-
-services:
-  street-vision-api:
-    # ✅ PRODUCTION: Image depuis Docker Hub
-    image: grgmdmn/street-vision_api:latest
-    
-    container_name: street_vision_api
-    
-    ports:
-      - "${NGINX_PORT:-8080}:${NGINX_PORT:-8080}"  # Port nginx configurable
-    
-    environment:
-      # Configuration du port nginx
-      NGINX_PORT: "${NGINX_PORT:-8080}"
-
-      # Configuration MLflow pour le suivi des modèles
-      MLFLOW_TRACKING_URI: "${MLFLOW_TRACKING_URI}"        # ex: https://mlflow.domain.com
-      MLFLOW_S3_ENDPOINT_URL: "${MLFLOW_S3_ENDPOINT_URL}"  # ex: url MinIO ou S3
-      AWS_ACCESS_KEY_ID: "${AWS_ACCESS_KEY_ID}"            # clé ID S3
-      AWS_SECRET_ACCESS_KEY: "${AWS_SECRET_ACCESS_KEY}"    # clé secrète S3
-
-      # Configuration email pour notifications (optionnel)
-      SMTP_SERVER: "${SMTP_SERVER:-}"                      # serveur SMTP
-      SMTP_PORT: "${SMTP_PORT:-587}"                       # port SMTP (ex: 587)
-      SMTP_EMAIL: "${SMTP_EMAIL:-}"                        # email expéditeur
-      SMTP_PASSWORD: "${SMTP_PASSWORD:-}"                  # mot de passe SMTP
-      SMTP_FROM_ALIAS: "${SMTP_FROM_ALIAS:-Street Vision API}"  # alias (optionnel)
-      ADMIN_EMAIL: "${ADMIN_EMAIL:-}"                      # email admin destinataire
-
-      # URL de base de l'API (utilisée par Streamlit pour rediriger vers FastAPI)
-      MULTISEG_API_BASE_URL: "${MULTISEG_API_BASE_URL}"    # ex: https://vision.domain.com/api
-
-    # Pour une mise à jour automatique par watchtower
-    labels:
-      com.centurylinklabs.watchtower.enable: "true"
-
-    # Seulement si vous avez un reverse proxy server
-    # networks:
-    #   - swag
-    
-    restart: unless-stopped
-
-# Seulement si vous avez un reverse proxy server
-# networks:
-#   swag:
-#     external: true
+version: '3.8'
+
+services:
+  street-vision-api:
+    # ✅ PRODUCTION: Image depuis Docker Hub
+    image: grgmdmn/street-vision_api:latest
+    
+    container_name: street_vision_api
+    
+    ports:
+      - "${NGINX_PORT:-8080}:${NGINX_PORT:-8080}"  # Port nginx configurable
+    
+    environment:
+      # Configuration du port nginx
+      NGINX_PORT: "${NGINX_PORT:-8080}"
+
+      # Configuration MLflow pour le suivi des modèles
+      MLFLOW_TRACKING_URI: "${MLFLOW_TRACKING_URI}"        # ex: https://mlflow.domain.com
+      MLFLOW_S3_ENDPOINT_URL: "${MLFLOW_S3_ENDPOINT_URL}"  # ex: url MinIO ou S3
+      AWS_ACCESS_KEY_ID: "${AWS_ACCESS_KEY_ID}"            # clé ID S3
+      AWS_SECRET_ACCESS_KEY: "${AWS_SECRET_ACCESS_KEY}"    # clé secrète S3
+
+      # Configuration email pour notifications (optionnel)
+      SMTP_SERVER: "${SMTP_SERVER:-}"                      # serveur SMTP
+      SMTP_PORT: "${SMTP_PORT:-587}"                       # port SMTP (ex: 587)
+      SMTP_EMAIL: "${SMTP_EMAIL:-}"                        # email expéditeur
+      SMTP_PASSWORD: "${SMTP_PASSWORD:-}"                  # mot de passe SMTP
+      SMTP_FROM_ALIAS: "${SMTP_FROM_ALIAS:-Street Vision API}"  # alias (optionnel)
+      ADMIN_EMAIL: "${ADMIN_EMAIL:-}"                      # email admin destinataire
+
+      # URL de base de l'API (utilisée par Streamlit pour rediriger vers FastAPI)
+      MULTISEG_API_BASE_URL: "${MULTISEG_API_BASE_URL}"    # ex: https://vision.domain.com/api
+
+    # Pour une mise à jour automatique par watchtower
+    labels:
+      com.centurylinklabs.watchtower.enable: "true"
+
+    # Seulement si vous avez un reverse proxy server
+    # networks:
+    #   - swag
+    
+    restart: unless-stopped
+
+# Seulement si vous avez un reverse proxy server
+# networks:
+#   swag:
+#     external: true
--- a/docs/Multi
+++ b/docs/Multi
@ -1,230 +1,230 @@
-<!DOCTYPE html>
-<html lang="fr">
-<head>
-    <meta charset="UTF-8">
-    <meta name="viewport" content="width=device-width, initial-scale=1.0">
-    <title>Cahier des Charges Dashboard</title>
-    <style>
-        body {
-            font-family: 'Segoe UI', Arial, sans-serif;
-            margin: 0;
-            padding: 20px;
-            background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
-            min-height: 100vh;
-            display: flex;
-            justify-content: center;
-            align-items: center;
-        }
-
-        .container {
-            background: white;
-            border-radius: 15px;
-            padding: 30px;
-            box-shadow: 0 15px 35px rgba(0,0,0,0.1);
-            max-width: 950px;
-            width: 100%;
-        }
-
-        .title {
-            text-align: center;
-            color: #2c3e50;
-            font-size: 28px;
-            font-weight: bold;
-            margin-bottom: 10px;
-        }
-
-        .subtitle {
-            text-align: center;
-            color: #7f8c8d;
-            font-size: 16px;
-            margin-bottom: 25px;
-            font-style: italic;
-        }
-
-        table {
-            width: 100%;
-            border-collapse: collapse;
-            margin-bottom: 20px;
-            font-size: 14px;
-        }
-
-        th {
-            background: linear-gradient(135deg, #3498db, #2980b9);
-            color: white;
-            font-weight: bold;
-            font-size: 13px;
-            text-transform: uppercase;
-            padding: 15px 12px;
-            text-align: center;
-            border: 2px solid white;
-        }
-
-        td {
-            padding: 12px;
-            border: 2px solid #ecf0f1;
-            vertical-align: top;
-        }
-
-        .category {
-            font-weight: bold;
-            text-align: center;
-            color: white;
-            font-size: 13px;
-            width: 20%;
-        }
-
-        .exploratoire {
-            background: linear-gradient(135deg, #e74c3c, #c0392b);
-        }
-
-        .comparaison {
-            background: linear-gradient(135deg, #f39c12, #d68910);
-        }
-
-        .accessibilite {
-            background: linear-gradient(135deg, #27ae60, #229954);
-        }
-
-        .technique {
-            background: linear-gradient(135deg, #8e44ad, #7d3c98);
-        }
-
-        .requirement {
-            font-size: 13px;
-            line-height: 1.4;
-            color: #2c3e50;
-        }
-
-        .implementation {
-            font-size: 13px;
-            line-height: 1.4;
-            color: #2c3e50;
-            font-style: italic;
-        }
-
-        .tech-stack {
-            margin-top: 20px;
-            background: linear-gradient(135deg, #f8f9fa, #e9ecef);
-            border-radius: 10px;
-            padding: 20px;
-            border-left: 5px solid #6c757d;
-        }
-
-        .tech-stack h3 {
-            color: #495057;
-            margin-top: 0;
-            font-size: 18px;
-        }
-
-        .tech-items {
-            display: flex;
-            flex-wrap: wrap;
-            gap: 10px;
-            margin-top: 10px;
-        }
-
-        .tech-item {
-            background: #6c757d;
-            color: white;
-            padding: 5px 12px;
-            border-radius: 15px;
-            font-size: 12px;
-            font-weight: bold;
-        }
-    </style>
-</head>
-<body>
-    <div class="container">
-        <div class="title">Cahier des Charges Dashboard Interactif</div>
-        <div class="subtitle">Spécifications et implémentation - Projet DataSpace</div>
-        
-        <table>
-            <thead>
-                <tr>
-                    <th style="width: 20%;">Catégorie</th>
-                    <th style="width: 45%;">Exigences Projet</th>
-                    <th style="width: 35%;">Implémentation</th>
-                </tr>
-            </thead>
-            <tbody>
-                <tr>
-                    <td class="category exploratoire">ANALYSE EXPLORATOIRE</td>
-                    <td class="requirement">
-                        • Visualisation contenu dataset<br>
-                        • Analyses statistiques describe()<br>
-                        • 2+ graphiques interactifs<br>
-                        • Distribution des classes
-                    </td>
-                    <td class="implementation">
-                        Streamlit + Plotly interactif<br>
-                        Métriques dataset Cityscapes<br>
-                        Distribution pixel-wise classes<br>
-                        Graphiques responsive
-                    </td>
-                </tr>
-
-                <tr>
-                    <td class="category comparaison">COMPARAISON MODÈLES</td>
-                    <td class="requirement">
-                        • Sélection données entrée<br>
-                        • Upload images personnalisées<br>
-                        • Prédiction temps réel<br>
-                        • Affichage résultats comparatifs
-                    </td>
-                    <td class="implementation">
-                        Interface upload + dropdown<br>
-                        Inférence FPN vs SegFormer<br>
-                        Visualisation masques côte-à-côte<br>
-                        Métriques temps d'exécution
-                    </td>
-                </tr>
-
-                <tr>
-                    <td class="category accessibilite">ACCESSIBILITÉ WCAG</td>
-                    <td class="requirement">
-                        • Critères WCAG essentiels<br>
-                        • Contraste couleurs<br>
-                        • Navigation clavier<br>
-                        • Labels descriptifs
-                    </td>
-                    <td class="implementation">
-                        Palette couleurs accessibles<br>
-                        Alt-text images générées<br>
-                        Semantic HTML structure<br>
-                        Focus indicators
-                    </td>
-                </tr>
-
-                <tr>
-                    <td class="category technique">DÉPLOIEMENT CLOUD</td>
-                    <td class="requirement">
-                        • Application déployée online<br>
-                        • Interface responsive<br>
-                        • Performance acceptable<br>
-                        • Code source accessible
-                    </td>
-                    <td class="implementation">
-                        Serveur NAS personnel (Intel N100)<br>
-                        Streamlit containerisé<br>
-                        Optimisation modèles CPU<br>
-                        Repository GitHub documenté
-                    </td>
-                </tr>
-            </tbody>
-        </table>
-
-        <div class="tech-stack">
-            <h3>🛠️ Stack Technique</h3>
-            <div class="tech-items">
-                <div class="tech-item">FastAPI</div>
-                <div class="tech-item">Streamlit</div>
-                <div class="tech-item">PyTorch</div>
-                <div class="tech-item">Plotly</div>
-                <div class="tech-item">PIL/OpenCV</div>
-                <div class="tech-item">Docker</div>
-                <div class="tech-item">Intel N100</div>
-            </div>
-        </div>
-    </div>
-</body>
+<!DOCTYPE html>
+<html lang="fr">
+<head>
+    <meta charset="UTF-8">
+    <meta name="viewport" content="width=device-width, initial-scale=1.0">
+    <title>Cahier des Charges Dashboard</title>
+    <style>
+        body {
+            font-family: 'Segoe UI', Arial, sans-serif;
+            margin: 0;
+            padding: 20px;
+            background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
+            min-height: 100vh;
+            display: flex;
+            justify-content: center;
+            align-items: center;
+        }
+
+        .container {
+            background: white;
+            border-radius: 15px;
+            padding: 30px;
+            box-shadow: 0 15px 35px rgba(0,0,0,0.1);
+            max-width: 950px;
+            width: 100%;
+        }
+
+        .title {
+            text-align: center;
+            color: #2c3e50;
+            font-size: 28px;
+            font-weight: bold;
+            margin-bottom: 10px;
+        }
+
+        .subtitle {
+            text-align: center;
+            color: #7f8c8d;
+            font-size: 16px;
+            margin-bottom: 25px;
+            font-style: italic;
+        }
+
+        table {
+            width: 100%;
+            border-collapse: collapse;
+            margin-bottom: 20px;
+            font-size: 14px;
+        }
+
+        th {
+            background: linear-gradient(135deg, #3498db, #2980b9);
+            color: white;
+            font-weight: bold;
+            font-size: 13px;
+            text-transform: uppercase;
+            padding: 15px 12px;
+            text-align: center;
+            border: 2px solid white;
+        }
+
+        td {
+            padding: 12px;
+            border: 2px solid #ecf0f1;
+            vertical-align: top;
+        }
+
+        .category {
+            font-weight: bold;
+            text-align: center;
+            color: white;
+            font-size: 13px;
+            width: 20%;
+        }
+
+        .exploratoire {
+            background: linear-gradient(135deg, #e74c3c, #c0392b);
+        }
+
+        .comparaison {
+            background: linear-gradient(135deg, #f39c12, #d68910);
+        }
+
+        .accessibilite {
+            background: linear-gradient(135deg, #27ae60, #229954);
+        }
+
+        .technique {
+            background: linear-gradient(135deg, #8e44ad, #7d3c98);
+        }
+
+        .requirement {
+            font-size: 13px;
+            line-height: 1.4;
+            color: #2c3e50;
+        }
+
+        .implementation {
+            font-size: 13px;
+            line-height: 1.4;
+            color: #2c3e50;
+            font-style: italic;
+        }
+
+        .tech-stack {
+            margin-top: 20px;
+            background: linear-gradient(135deg, #f8f9fa, #e9ecef);
+            border-radius: 10px;
+            padding: 20px;
+            border-left: 5px solid #6c757d;
+        }
+
+        .tech-stack h3 {
+            color: #495057;
+            margin-top: 0;
+            font-size: 18px;
+        }
+
+        .tech-items {
+            display: flex;
+            flex-wrap: wrap;
+            gap: 10px;
+            margin-top: 10px;
+        }
+
+        .tech-item {
+            background: #6c757d;
+            color: white;
+            padding: 5px 12px;
+            border-radius: 15px;
+            font-size: 12px;
+            font-weight: bold;
+        }
+    </style>
+</head>
+<body>
+    <div class="container">
+        <div class="title">Cahier des Charges Dashboard Interactif</div>
+        <div class="subtitle">Spécifications et implémentation - Projet DataSpace</div>
+        
+        <table>
+            <thead>
+                <tr>
+                    <th style="width: 20%;">Catégorie</th>
+                    <th style="width: 45%;">Exigences Projet</th>
+                    <th style="width: 35%;">Implémentation</th>
+                </tr>
+            </thead>
+            <tbody>
+                <tr>
+                    <td class="category exploratoire">ANALYSE EXPLORATOIRE</td>
+                    <td class="requirement">
+                        • Visualisation contenu dataset<br>
+                        • Analyses statistiques describe()<br>
+                        • 2+ graphiques interactifs<br>
+                        • Distribution des classes
+                    </td>
+                    <td class="implementation">
+                        Streamlit + Plotly interactif<br>
+                        Métriques dataset Cityscapes<br>
+                        Distribution pixel-wise classes<br>
+                        Graphiques responsive
+                    </td>
+                </tr>
+
+                <tr>
+                    <td class="category comparaison">COMPARAISON MODÈLES</td>
+                    <td class="requirement">
+                        • Sélection données entrée<br>
+                        • Upload images personnalisées<br>
+                        • Prédiction temps réel<br>
+                        • Affichage résultats comparatifs
+                    </td>
+                    <td class="implementation">
+                        Interface upload + dropdown<br>
+                        Inférence FPN vs SegFormer<br>
+                        Visualisation masques côte-à-côte<br>
+                        Métriques temps d'exécution
+                    </td>
+                </tr>
+
+                <tr>
+                    <td class="category accessibilite">ACCESSIBILITÉ WCAG</td>
+                    <td class="requirement">
+                        • Critères WCAG essentiels<br>
+                        • Contraste couleurs<br>
+                        • Navigation clavier<br>
+                        • Labels descriptifs
+                    </td>
+                    <td class="implementation">
+                        Palette couleurs accessibles<br>
+                        Alt-text images générées<br>
+                        Semantic HTML structure<br>
+                        Focus indicators
+                    </td>
+                </tr>
+
+                <tr>
+                    <td class="category technique">DÉPLOIEMENT CLOUD</td>
+                    <td class="requirement">
+                        • Application déployée online<br>
+                        • Interface responsive<br>
+                        • Performance acceptable<br>
+                        • Code source accessible
+                    </td>
+                    <td class="implementation">
+                        Serveur NAS personnel (Intel N100)<br>
+                        Streamlit containerisé<br>
+                        Optimisation modèles CPU<br>
+                        Repository GitHub documenté
+                    </td>
+                </tr>
+            </tbody>
+        </table>
+
+        <div class="tech-stack">
+            <h3>🛠️ Stack Technique</h3>
+            <div class="tech-items">
+                <div class="tech-item">FastAPI</div>
+                <div class="tech-item">Streamlit</div>
+                <div class="tech-item">PyTorch</div>
+                <div class="tech-item">Plotly</div>
+                <div class="tech-item">PIL/OpenCV</div>
+                <div class="tech-item">Docker</div>
+                <div class="tech-item">Intel N100</div>
+            </div>
+        </div>
+    </div>
+</body>
 </html>
--- a/docs/note_methodologique.md
+++ b/docs/note_methodologique.md
@ -1,295 +1,295 @@
-# Note Méthodologique : Preuve de concept SegFormer vs FPN
-
-## Dataset retenu
-
-### Cityscapes Dataset : Référence en Segmentation Urbaine
-
-Le **Cityscapes Dataset** constitue la référence internationale pour l'évaluation des algorithmes de segmentation sémantique en environnement urbain. Développé par l'Université de Tübingen et Mercedes-Benz, ce dataset comprend **25,000 images** haute résolution (2048×1024 pixels) capturées dans 50 villes allemandes et suisses.
-
-**Composition du dataset :**
- **Train** : 2,975 images finement annotées
- **Validation** : 500 images avec annotations de référence  
- **Test** : 1,525 images (annotations non-publiques)
- **Coarse** : 20,000 images avec annotations grossières
-
-**Architecture de classes hiérarchique :**
-Le dataset organise 34 classes détaillées en **8 méta-classes** pour la segmentation :
-
-| Méta-classe | Classes incluses | Importance |
-|-------------|------------------|------------|
-| **Flat** | Route, trottoir, parkings | Navigation de base |
-| **Human** | Piéton, cycliste | **Sécurité critique** |
-| **Vehicle** | Voiture, camion, bus, train | Obstacles dynamiques |
-| **Construction** | Bâtiment, mur, clôture, pont | Structure urbaine |
-| **Object** | Poteau, feu, panneau | Signalétique |
-| **Nature** | Végétation, terrain | Environnement |
-| **Sky** | Ciel | Contexte |
-| **Void** | Zones non-définies | Exclusion |
-
-**Particularité méthodologique critique :**
-Contrairement au protocole original préservant le ratio 2:1 natif (2048×1024), nos expérimentations utilisent des **images carrées (1:1)** aux résolutions 512×512 et 768×768. Cette déformation géométrique, motivée par les contraintes GPU T4, permet d'analyser l'impact du ratio d'image sur les différentes philosophies architecturales (CNN vs Transformer).
-
---
-
-## Les concepts de l'algorithme récent
-
-### SegFormer : Architecture Transformer Vision-Optimisée Temps Réel
-
-**SegFormer** représente une avancée dans la segmentation sémantique en introduisant une architecture **Transformer** spécifiquement conçue pour l'efficacité computationnelle, contrairement aux approches Transformer classiques gourmandes en ressources.
-
-### Innovations Architecturales Clés
-
-**1. Encodeur Hiérarchique Sans Encodage Positionnel**
-
-L'encodeur SegFormer **abandonne les encodages positionnels** au profit d'une architecture hiérarchique qui capture naturellement les relations spatiales :
-
-$$\text{Feature Maps} = \{F_1, F_2, F_3, F_4\}$$
-
-avec résolutions $\{\frac{H}{4}, \frac{H}{8}, \frac{H}{16}, \frac{H}{32}\}$
-
-**Efficient Self-Attention :**
-Réduction de complexité par sous-échantillonnage des clés :
-
-$$\text{Attention}(Q,K,V) = \text{Softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$
-
-avec complexité réduite de $\mathcal{O}(N^2)$ à $\mathcal{O}\left(\frac{N^2}{R}\right)$ où $R$ est le facteur de réduction.
-
-**2. Mix-FFN : Hybridation CNN-Transformer**
-
-Innovation clé : intégration de **convolutions 3×3** dans les couches Feed-Forward :
-
-$$\text{Mix-FFN}(x) = \text{MLP}(\text{GELU}(\text{Conv}_{3×3}(\text{MLP}(x)) + x))$$
-
-Cette approche permet :
- **Élimination totale des encodages positionnels**
- **Capture locale + compréhension globale** simultanées
- **Robustesse aux variations de résolution** d'entrée
-
-**3. Décodeur MLP Ultra-Léger**
-
-Simplification drastique vs décodeurs complexes traditionnels :
-
-$$\text{Seg} = \text{MLP}\left(\text{Concat}[\text{Upsample}(F_1), F_2, F_3, F_4]\right)$$
-
-**Avantages :**
- **Réduction massive des paramètres** : Focus sur l'encodeur performant
- **Inférence accélérée** : Décodeur 10× plus rapide que ASPP/PSP
- **Architecture unifiée** : Traitement multi-échelle sans modules ad-hoc
-
-### Positionnement Temps Réel vs État de l'Art
-
-**Analyse critique du benchmark original :**
-Le papier SegFormer révèle que **SegFormer-B0** (3.7M paramètres) atteint **75.3% mIoU** sur Cityscapes à résolution réduite (côté court 768px), égalant **DeepLabv3+ + MobileNetV2** (75.2% mIoU) à résolution pleine. Cette **efficacité computationnelle supérieure** constitue l'argument central de notre hypothèse de recherche.
-
-**Hypothèse de transfert :**
-Si DeepLabv3+ surpasse théoriquement FPN, alors SegFormer-B0 devrait également surpasser notre baseline FPN+EfficientNetB0 (78.67% mIoU), particulièrement à 768×768 pixels.
-
---
-
-## La modélisation
-
-### Méthodologie Expérimentale Adaptée
-
-**Contraintes et adaptations :**
-Notre protocole d'évaluation diffère substantiellement du papier original pour s'adapter aux contraintes pratiques :
-
-**Configuration matérielle :**
- **Plateforme** : Google Colab Pro avec GPU T4 (15Go VRAM)
- **Framework** : Migration TensorFlow/Keras → PyTorch + Segmentation Models PyTorch
- **Contraintes** : Plan payant avec unités de calcul limitées
-
-**Déformation géométrique :**
- **Protocole original** : Préservation ratio 2:1 natif Cityscapes
- **Notre protocole** : Déformation vers ratio 1:1 (images carrées)
- **Résolutions testées** : 512×512 et 768×768 pixels
- **Impact attendu** : Analyse différentielle CNN vs Transformer sous contrainte géométrique
-
-### Preprocessing et Modèles Pré-entraînés
-
-**Modèles SegFormer (pré-entraînés ADE20K) :**
- **SegFormer-B0** : `segformer-b0-512x512-ade-160k` (3.7M paramètres)
- **SegFormer-B1** : `segformer-b1-512x512-ade-160k` (13.7M paramètres, exploration scaling)
-
-**Modèles FPN (pré-entraînés ImageNet) :**
- **FPN+ResNet34** : 23.16M paramètres
- **FPN+EfficientNet-B0** : 5.76M paramètres (baseline de référence @224x224 : 74.6% mIoU)
-
-### Configuration d'Entraînement Optimisée
-
-**Configuration SegFormer :**
- **Loss Function** : Jaccard Loss pour optimisation IoU directe
- **Optimiseur** : AdamW (lr=1e-4, weight_decay=1e-4, spécialisé Transformers)
- **Scheduler** : Cosine Annealing (convergence douce, min_lr=1e-6)
- **Epochs** : Maximum 30 avec early stopping (patience=5)
-
-**Configuration FPN :**
- **Loss Function** : Focal + Jaccard Loss combinées (poids 1:1)
- **Optimiseur** : Adam (lr=1.5e-4, weight_decay=1e-5, optimisé CNN)
- **Scheduler** : ReduceLROnPlateau (adaptation réactive, patience=4)
- **Epochs** : Maximum 20 avec early stopping (patience=7)
-
-**Stratégie d'entraînement :**
-Entraînement séquentiel des 4 modèles principaux à 512×512, puis scaling à 768×768 pour analyse comparative résolution/performance.
-
---
-
-## Une synthèse des résultats
-
-![mIoU + Accuracy](mIoU_accuracy.png)
-*Fig.1: Mean IoU et Accuracy par expérience*
-
-### Performance Comparative : SegFormer vs FPN sous Contrainte Géométrique
-
-**Résultats principaux (mIoU sur Cityscapes Validation) :**
-
-| **Modèle** | **mIoU** | **Gain vs Baseline** | **Paramètres** | **Taille** | **Temps CPU** |
-|------------|----------|----------------------|----------------|------------|---------------|
-| **SegFormer-B1** | **79.98%** | **+1.31%** | **13.68M** | **52MB** | **1.39s** |
-| **FPN+ResNet34** | **79.22%** | **+0.55%** | **23.16M** | **88MB** | **0.73s** |
-| **FPN+EfficientNet-B0** | **78.67%** | *baseline* | **5.76M** | **22MB** | **0.48s** |
-| **SegFormer-B0** | **77.91%** | **-0.76%** | **3.72M** | **14MB** | **0.87s** |
-
-*Temps d'inférence : CPU Intel Xeon @ 2.20GHz (2 vCPUs) Google Colab*
-
-### Révélations Critiques : Impact du Ratio d'Image
-
-**Résultat majeur inattendu :**
-Contrairement aux prédictions du benchmark original, **SegFormer-B0 sous-performe face aux baselines FPN** sur images carrées (77.91% vs 78.67% mIoU). Cette observation révèle une **sensibilité architecturale différentielle** aux déformations géométriques.
-
-**Hypothèse explicative - Robustesse géométrique :**
-
-1. **CNN (FPN)** : Les convolutions avec leurs kernels fixes et pooling local gèrent naturellement les déformations géométriques
-2. **Transformer (SegFormer)** : L'attention globale, optimisée sur ratio 2:1 natif, souffre de la perte d'information spatiale lors de la déformation 1:1
-3. **Scaling architectural** : SegFormer-B1 compense cette limitation par sa capacité supérieure (+1.31% mIoU)
-
-### Analyse Détaillée par Classes Sémantiques
-
-![IoU Classe et Δ IoU par Classe](iou_delta_iou_per_class.png)
-*Fig.2: IoU et Δ IoU par Classe entre SegFormer-B1 et FPN-ResNet34*
-
-**Performance par méta-classes Cityscapes :**
-
-| **Classe** | **SegFormer-B1** | **FPN+ResNet34** | **Gain** | **Analyse** |
-|------------|-------------------|-------------------|----------|-------------|
-| **Flat** | **93.35%** | **93.38%** | **-0.03%** | Performance équivalente |
-| **Human** | **71.13%** | **69.35%** | **+1.78%** | ⭐ **Attention globale critique** |
-| **Vehicle** | **88.80%** | **87.75%** | **+1.05%** | ⭐ **Contexte multi-échelle** |
-| **Construction** | **85.94%** | **85.06%** | **+0.88%** | Structures complexes |
-| **Object** | **49.24%** | **48.68%** | **+0.56%** | ⭐ **Signalétique petite taille** |
-| **Nature** | **89.14%** | **88.13%** | **+1.01%** | Textures variées |
-| **Sky** | **92.35%** | **91.67%** | **+0.68%** | Régions homogènes |
-| **Void** | **69.89%** | **69.76%** | **+0.13%** | Zones ambiguës |
-
-**Patterns d'amélioration SegFormer-B1 :**
- **Classes sécuritaires critiques** (Human +1.78%, Vehicle +1.05%) : Validation de l'attention globale pour objets contextuels
- **Objets petite taille** (Object +0.56%) : Meilleure capture multi-échelle vs convolutions locales
- **Performance équivalente** sur surfaces homogènes (Flat -0.03%)
-
-### Performance Surprenante vs Benchmark Original
-
-**Observation contre-intuitive :**
-Nos modèles atteignent des performances **supérieures au papier original** malgré la contrainte géométrique @768x768 :
- **SegFormer-B0 : 77.91%** vs 75.3%
- **FPN baselines : 78.67-79.22%** vs DeepLabV3+ 75.2%
- **SegFormer-B1 : 79.98%** vs ~76-78% (en effectuant un scaling grossier B0→B1 en se basant sur l'écart de performances de B0-->B5)
-
-
-**Hypothèses explicatives :**
-1. **Optimisation du ratio 1:1** : Réduction de l'aire d'image (×2) concentre l'information spatiale
-2. **Optimisation d'hyperparamètres** : Par exemple, utilisation de fonctions de perte Jaccard (+ Focal) ? Non mentionné dans SegFormer (2021) ni DeepLabV3 (2018)
-3. **Encodeurs** : EfficientNetB0 à peine plus long que MobileNetV2 et performances au-dessus. ResNet34 au-dessus également mais plus lourd (peut-être pertinent en temps réel...?)
-3. **Framework PyTorch** : Optimisations modernes vs implémentations TensorFlow du papier DeepLabV3+ (2018)
-
---
-
-## L'analyse de la feature importance globale et locale du nouveau modèle
-
-### Limitations Méthodologiques de l'Explicabilité Transformer
-
-L'analyse d'explicabilité des architectures Transformer pour la segmentation dense représente un **défi technique majeur** dépassant le cadre de cette preuve de concept. Les mécanismes d'attention multi-têtes, Mix-FFN, et fusion hiérarchique créent des interactions complexes difficiles à décomposer causalement.
-
-### Insights Architecturaux via Patterns de Performance
-
-**Analyse indirecte par performance différentielle :**
-
-Bien que l'explicabilité fine soit inaccessible, les patterns de performance révèlent les mécanismes sous-jacents :
-
-1. **Attention globale validée** : Gains significatifs sur classes contextuelles (Human +1.78%, Vehicle +1.05%) suggèrent une **compréhension scénique** supérieure aux CNN
-2. **Sensibilité géométrique** : Sous-performance SegFormer-B0 vs FPN sur images déformées révèle une **dépendance aux relations spatiales natives**
-3. **Scaling architectural efficace** : Bond B0→B1 (+2.07% mIoU) confirme l'efficacité du scaling Transformer
-
-**Limitation fondamentale :**
-Les cartes d'attention ne correspondent pas nécessairement à l'importance causale réelle. Une explicabilité rigoureuse nécessiterait des approches spécialisées comme **Deep Taylor Decomposition** ou **Integrated Gradients** adaptées aux architectures hybrides CNN-Transformer.
-
---
-
-## Limites et améliorations possibles
-
-### Limitations Expérimentales Critiques
-
-**1. Contraintes Protocolaires Majeures**
- **Déformation géométrique forcée** : Ratio 2:1→1:1 non-représentatif du déploiement réel
- **Résolutions limitées** : GPU T4 contraint l'exploration des résolutions supérieures (>768px). Augmentation importante de l'utilisation de VRAM et réduction drastique du `batch_size` --> entraînements plus longs (plus d'époques)
- **Framework migration** : TensorFlow→PyTorch peut introduire des biais de comparaison
- **Métriques d'évaluation** : Temps d'inférence CPU non-représentatifs du déploiement GPU optimisé
-
-**2. Généralisation Limitée**
- **Dataset unique** : Évaluation exclusive sur Cityscapes urbain allemand
- **Conditions météo** : Uniquement conditions favorables (pas de nuit/intempéries)
- **Scaling incomplet** : SegFormer-B2+ non-testés faute de ressources computationnelles
-
-### Améliorations Prioritaires Identifiées
-
-**1. Robustesse Protocolaire**
- **Préservation ratio natif** : Tests sur images 2:1 sans déformation géométrique (contraintes budgétaires/temps limitant cette approche)
- **Résolutions supérieures** : Évaluation à 1024×512 ou résolutions natives pour validation écologique
- **Evaluation multi-dataset** : Validation BDD100K, Mapillary Vistas pour généralisation
-
-**2. Scaling Architectural Complet**
- **SegFormer variants complets** : B2, B3, B4 pour validation des gains à tous les niveaux de complexité vs papier original
- **Évaluation différentielle** : Déterminer si les améliorations observées sont spécifiques aux modèles légers (B0-B1) ou généralisables aux variants lourds
- **Optimisations déploiement** : TensorRT, quantization FP16/INT8 pour inférence temps réel selon niveau de complexité
-
-**3. Analyse Causale Approfondie**
-1. **Prototypage rapide** : SegFormer-B1 comme référence architecturale moderne pour projets nécessitant performance maximale
-2. **Contraintes embarquées** : FPN+EfficientNet-B0 optimal pour déploiement edge ultra-contraint à 768×768, avec évaluation requise à résolutions supérieures pour validation complète
-3. **Adaptabilité clients** : Gamme SegFormer (B0-B1+) offrant scaling performance/ressources selon besoins spécifiques
-
-### Perspectives de Déploiement Pratique
-
-**Applications industrielles validées :**
-1. **Prototypage rapide** : SegFormer-B1 comme référence architecturale moderne pour projets nécessitant performance maximale
-2. **Contraintes embarquées** : FPN+EfficientNet-B0 optimal pour déploiement edge ultra-contraint à 768×768, avec évaluation requise à résolutions supérieures pour validation complète
-3. **Adaptabilité clients** : Gamme SegFormer (B0-B1+) offrant scaling performance/ressources selon besoins spécifiques
-
-**ROI technique contextuel :**
-Cette preuve de concept valide l'intérêt des architectures Transformer tout en révélant leurs **sensibilités pratiques** (ratio d'image, scaling nécessaire). L'approche constitue une **base méthodologique** solide pour futurs développements production avec contraintes réelles explicitées.
-
---
-
-## Conclusion Méthodologique
-
-### Contribution Analytique Principale
-
-Cette étude apporte une **perspective complémentaire critique** aux évaluations académiques standard en révélant :
-
-1. **Impact géométrique différentiel** : Sensibilité CNN vs Transformer aux déformations d'image
-2. **Scaling architectural requis** : Nécessité SegFormer-B1+ pour surpasser baselines CNN établies en ratio 1:1
-3. **Trade-offs pratiques** : Compromis performance/efficacité sous contraintes réelles
-
-### Validation des Hypothèses de Recherche
-
-**Hypothèses confirmées :**
- ✅ **SegFormer-B1 surpasse FPN** (+1.31% mIoU) avec efficacité paramétrique supérieure
- ✅ **Amélioration classes critiques** validée (Human +1.78%, Vehicle +1.05%)
- ✅ **Architecture Transformer viable** pour segmentation temps réel avec scaling approprié
-
-**Hypothèses infirmées :**
- ❌ **SegFormer-B0 sous-performant** vs FPN sur images 1:1
- ❌ **Robustesse géométrique** Transformer surestimée vs CNN
-
-### Positionnement Scientifique
-
-Cette preuve de concept se distingue par son **réalisme méthodologique** : elle expose les limitations pratiques des architectures d'avant-garde sous contraintes déploiement réelles, offrant une analyse **nuancée et reproductible** aux équipes techniques devant opérer des choix architecturaux informés.
-
+# Note Méthodologique : Preuve de concept SegFormer vs FPN
+
+## Dataset retenu
+
+### Cityscapes Dataset : Référence en Segmentation Urbaine
+
+Le **Cityscapes Dataset** constitue la référence internationale pour l'évaluation des algorithmes de segmentation sémantique en environnement urbain. Développé par l'Université de Tübingen et Mercedes-Benz, ce dataset comprend **25,000 images** haute résolution (2048×1024 pixels) capturées dans 50 villes allemandes et suisses.
+
+**Composition du dataset :**
+- **Train** : 2,975 images finement annotées
+- **Validation** : 500 images avec annotations de référence  
+- **Test** : 1,525 images (annotations non-publiques)
+- **Coarse** : 20,000 images avec annotations grossières
+
+**Architecture de classes hiérarchique :**
+Le dataset organise 34 classes détaillées en **8 méta-classes** pour la segmentation :
+
+| Méta-classe | Classes incluses | Importance |
+|-------------|------------------|------------|
+| **Flat** | Route, trottoir, parkings | Navigation de base |
+| **Human** | Piéton, cycliste | **Sécurité critique** |
+| **Vehicle** | Voiture, camion, bus, train | Obstacles dynamiques |
+| **Construction** | Bâtiment, mur, clôture, pont | Structure urbaine |
+| **Object** | Poteau, feu, panneau | Signalétique |
+| **Nature** | Végétation, terrain | Environnement |
+| **Sky** | Ciel | Contexte |
+| **Void** | Zones non-définies | Exclusion |
+
+**Particularité méthodologique critique :**
+Contrairement au protocole original préservant le ratio 2:1 natif (2048×1024), nos expérimentations utilisent des **images carrées (1:1)** aux résolutions 512×512 et 768×768. Cette déformation géométrique, motivée par les contraintes GPU T4, permet d'analyser l'impact du ratio d'image sur les différentes philosophies architecturales (CNN vs Transformer).
+
+---
+
+## Les concepts de l'algorithme récent
+
+### SegFormer : Architecture Transformer Vision-Optimisée Temps Réel
+
+**SegFormer** représente une avancée dans la segmentation sémantique en introduisant une architecture **Transformer** spécifiquement conçue pour l'efficacité computationnelle, contrairement aux approches Transformer classiques gourmandes en ressources.
+
+### Innovations Architecturales Clés
+
+**1. Encodeur Hiérarchique Sans Encodage Positionnel**
+
+L'encodeur SegFormer **abandonne les encodages positionnels** au profit d'une architecture hiérarchique qui capture naturellement les relations spatiales :
+
+$$\text{Feature Maps} = \{F_1, F_2, F_3, F_4\}$$
+
+avec résolutions $\{\frac{H}{4}, \frac{H}{8}, \frac{H}{16}, \frac{H}{32}\}$
+
+**Efficient Self-Attention :**
+Réduction de complexité par sous-échantillonnage des clés :
+
+$$\text{Attention}(Q,K,V) = \text{Softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$
+
+avec complexité réduite de $\mathcal{O}(N^2)$ à $\mathcal{O}\left(\frac{N^2}{R}\right)$ où $R$ est le facteur de réduction.
+
+**2. Mix-FFN : Hybridation CNN-Transformer**
+
+Innovation clé : intégration de **convolutions 3×3** dans les couches Feed-Forward :
+
+$$\text{Mix-FFN}(x) = \text{MLP}(\text{GELU}(\text{Conv}_{3×3}(\text{MLP}(x)) + x))$$
+
+Cette approche permet :
+- **Élimination totale des encodages positionnels**
+- **Capture locale + compréhension globale** simultanées
+- **Robustesse aux variations de résolution** d'entrée
+
+**3. Décodeur MLP Ultra-Léger**
+
+Simplification drastique vs décodeurs complexes traditionnels :
+
+$$\text{Seg} = \text{MLP}\left(\text{Concat}[\text{Upsample}(F_1), F_2, F_3, F_4]\right)$$
+
+**Avantages :**
+- **Réduction massive des paramètres** : Focus sur l'encodeur performant
+- **Inférence accélérée** : Décodeur 10× plus rapide que ASPP/PSP
+- **Architecture unifiée** : Traitement multi-échelle sans modules ad-hoc
+
+### Positionnement Temps Réel vs État de l'Art
+
+**Analyse critique du benchmark original :**
+Le papier SegFormer révèle que **SegFormer-B0** (3.7M paramètres) atteint **75.3% mIoU** sur Cityscapes à résolution réduite (côté court 768px), égalant **DeepLabv3+ + MobileNetV2** (75.2% mIoU) à résolution pleine. Cette **efficacité computationnelle supérieure** constitue l'argument central de notre hypothèse de recherche.
+
+**Hypothèse de transfert :**
+Si DeepLabv3+ surpasse théoriquement FPN, alors SegFormer-B0 devrait également surpasser notre baseline FPN+EfficientNetB0 (78.67% mIoU), particulièrement à 768×768 pixels.
+
+---
+
+## La modélisation
+
+### Méthodologie Expérimentale Adaptée
+
+**Contraintes et adaptations :**
+Notre protocole d'évaluation diffère substantiellement du papier original pour s'adapter aux contraintes pratiques :
+
+**Configuration matérielle :**
+- **Plateforme** : Google Colab Pro avec GPU T4 (15Go VRAM)
+- **Framework** : Migration TensorFlow/Keras → PyTorch + Segmentation Models PyTorch
+- **Contraintes** : Plan payant avec unités de calcul limitées
+
+**Déformation géométrique :**
+- **Protocole original** : Préservation ratio 2:1 natif Cityscapes
+- **Notre protocole** : Déformation vers ratio 1:1 (images carrées)
+- **Résolutions testées** : 512×512 et 768×768 pixels
+- **Impact attendu** : Analyse différentielle CNN vs Transformer sous contrainte géométrique
+
+### Preprocessing et Modèles Pré-entraînés
+
+**Modèles SegFormer (pré-entraînés ADE20K) :**
+- **SegFormer-B0** : `segformer-b0-512x512-ade-160k` (3.7M paramètres)
+- **SegFormer-B1** : `segformer-b1-512x512-ade-160k` (13.7M paramètres, exploration scaling)
+
+**Modèles FPN (pré-entraînés ImageNet) :**
+- **FPN+ResNet34** : 23.16M paramètres
+- **FPN+EfficientNet-B0** : 5.76M paramètres (baseline de référence @224x224 : 74.6% mIoU)
+
+### Configuration d'Entraînement Optimisée
+
+**Configuration SegFormer :**
+- **Loss Function** : Jaccard Loss pour optimisation IoU directe
+- **Optimiseur** : AdamW (lr=1e-4, weight_decay=1e-4, spécialisé Transformers)
+- **Scheduler** : Cosine Annealing (convergence douce, min_lr=1e-6)
+- **Epochs** : Maximum 30 avec early stopping (patience=5)
+
+**Configuration FPN :**
+- **Loss Function** : Focal + Jaccard Loss combinées (poids 1:1)
+- **Optimiseur** : Adam (lr=1.5e-4, weight_decay=1e-5, optimisé CNN)
+- **Scheduler** : ReduceLROnPlateau (adaptation réactive, patience=4)
+- **Epochs** : Maximum 20 avec early stopping (patience=7)
+
+**Stratégie d'entraînement :**
+Entraînement séquentiel des 4 modèles principaux à 512×512, puis scaling à 768×768 pour analyse comparative résolution/performance.
+
+---
+
+## Une synthèse des résultats
+
+![mIoU + Accuracy](mIoU_accuracy.png)
+*Fig.1: Mean IoU et Accuracy par expérience*
+
+### Performance Comparative : SegFormer vs FPN sous Contrainte Géométrique
+
+**Résultats principaux (mIoU sur Cityscapes Validation) :**
+
+| **Modèle** | **mIoU** | **Gain vs Baseline** | **Paramètres** | **Taille** | **Temps CPU** |
+|------------|----------|----------------------|----------------|------------|---------------|
+| **SegFormer-B1** | **79.98%** | **+1.31%** | **13.68M** | **52MB** | **1.39s** |
+| **FPN+ResNet34** | **79.22%** | **+0.55%** | **23.16M** | **88MB** | **0.73s** |
+| **FPN+EfficientNet-B0** | **78.67%** | *baseline* | **5.76M** | **22MB** | **0.48s** |
+| **SegFormer-B0** | **77.91%** | **-0.76%** | **3.72M** | **14MB** | **0.87s** |
+
+*Temps d'inférence : CPU Intel Xeon @ 2.20GHz (2 vCPUs) Google Colab*
+
+### Révélations Critiques : Impact du Ratio d'Image
+
+**Résultat majeur inattendu :**
+Contrairement aux prédictions du benchmark original, **SegFormer-B0 sous-performe face aux baselines FPN** sur images carrées (77.91% vs 78.67% mIoU). Cette observation révèle une **sensibilité architecturale différentielle** aux déformations géométriques.
+
+**Hypothèse explicative - Robustesse géométrique :**
+
+1. **CNN (FPN)** : Les convolutions avec leurs kernels fixes et pooling local gèrent naturellement les déformations géométriques
+2. **Transformer (SegFormer)** : L'attention globale, optimisée sur ratio 2:1 natif, souffre de la perte d'information spatiale lors de la déformation 1:1
+3. **Scaling architectural** : SegFormer-B1 compense cette limitation par sa capacité supérieure (+1.31% mIoU)
+
+### Analyse Détaillée par Classes Sémantiques
+
+![IoU Classe et Δ IoU par Classe](iou_delta_iou_per_class.png)
+*Fig.2: IoU et Δ IoU par Classe entre SegFormer-B1 et FPN-ResNet34*
+
+**Performance par méta-classes Cityscapes :**
+
+| **Classe** | **SegFormer-B1** | **FPN+ResNet34** | **Gain** | **Analyse** |
+|------------|-------------------|-------------------|----------|-------------|
+| **Flat** | **93.35%** | **93.38%** | **-0.03%** | Performance équivalente |
+| **Human** | **71.13%** | **69.35%** | **+1.78%** | ⭐ **Attention globale critique** |
+| **Vehicle** | **88.80%** | **87.75%** | **+1.05%** | ⭐ **Contexte multi-échelle** |
+| **Construction** | **85.94%** | **85.06%** | **+0.88%** | Structures complexes |
+| **Object** | **49.24%** | **48.68%** | **+0.56%** | ⭐ **Signalétique petite taille** |
+| **Nature** | **89.14%** | **88.13%** | **+1.01%** | Textures variées |
+| **Sky** | **92.35%** | **91.67%** | **+0.68%** | Régions homogènes |
+| **Void** | **69.89%** | **69.76%** | **+0.13%** | Zones ambiguës |
+
+**Patterns d'amélioration SegFormer-B1 :**
+- **Classes sécuritaires critiques** (Human +1.78%, Vehicle +1.05%) : Validation de l'attention globale pour objets contextuels
+- **Objets petite taille** (Object +0.56%) : Meilleure capture multi-échelle vs convolutions locales
+- **Performance équivalente** sur surfaces homogènes (Flat -0.03%)
+
+### Performance Surprenante vs Benchmark Original
+
+**Observation contre-intuitive :**
+Nos modèles atteignent des performances **supérieures au papier original** malgré la contrainte géométrique @768x768 :
+- **SegFormer-B0 : 77.91%** vs 75.3%
+- **FPN baselines : 78.67-79.22%** vs DeepLabV3+ 75.2%
+- **SegFormer-B1 : 79.98%** vs ~76-78% (en effectuant un scaling grossier B0→B1 en se basant sur l'écart de performances de B0-->B5)
+
+
+**Hypothèses explicatives :**
+1. **Optimisation du ratio 1:1** : Réduction de l'aire d'image (×2) concentre l'information spatiale
+2. **Optimisation d'hyperparamètres** : Par exemple, utilisation de fonctions de perte Jaccard (+ Focal) ? Non mentionné dans SegFormer (2021) ni DeepLabV3 (2018)
+3. **Encodeurs** : EfficientNetB0 à peine plus long que MobileNetV2 et performances au-dessus. ResNet34 au-dessus également mais plus lourd (peut-être pertinent en temps réel...?)
+3. **Framework PyTorch** : Optimisations modernes vs implémentations TensorFlow du papier DeepLabV3+ (2018)
+
+---
+
+## L'analyse de la feature importance globale et locale du nouveau modèle
+
+### Limitations Méthodologiques de l'Explicabilité Transformer
+
+L'analyse d'explicabilité des architectures Transformer pour la segmentation dense représente un **défi technique majeur** dépassant le cadre de cette preuve de concept. Les mécanismes d'attention multi-têtes, Mix-FFN, et fusion hiérarchique créent des interactions complexes difficiles à décomposer causalement.
+
+### Insights Architecturaux via Patterns de Performance
+
+**Analyse indirecte par performance différentielle :**
+
+Bien que l'explicabilité fine soit inaccessible, les patterns de performance révèlent les mécanismes sous-jacents :
+
+1. **Attention globale validée** : Gains significatifs sur classes contextuelles (Human +1.78%, Vehicle +1.05%) suggèrent une **compréhension scénique** supérieure aux CNN
+2. **Sensibilité géométrique** : Sous-performance SegFormer-B0 vs FPN sur images déformées révèle une **dépendance aux relations spatiales natives**
+3. **Scaling architectural efficace** : Bond B0→B1 (+2.07% mIoU) confirme l'efficacité du scaling Transformer
+
+**Limitation fondamentale :**
+Les cartes d'attention ne correspondent pas nécessairement à l'importance causale réelle. Une explicabilité rigoureuse nécessiterait des approches spécialisées comme **Deep Taylor Decomposition** ou **Integrated Gradients** adaptées aux architectures hybrides CNN-Transformer.
+
+---
+
+## Limites et améliorations possibles
+
+### Limitations Expérimentales Critiques
+
+**1. Contraintes Protocolaires Majeures**
+- **Déformation géométrique forcée** : Ratio 2:1→1:1 non-représentatif du déploiement réel
+- **Résolutions limitées** : GPU T4 contraint l'exploration des résolutions supérieures (>768px). Augmentation importante de l'utilisation de VRAM et réduction drastique du `batch_size` --> entraînements plus longs (plus d'époques)
+- **Framework migration** : TensorFlow→PyTorch peut introduire des biais de comparaison
+- **Métriques d'évaluation** : Temps d'inférence CPU non-représentatifs du déploiement GPU optimisé
+
+**2. Généralisation Limitée**
+- **Dataset unique** : Évaluation exclusive sur Cityscapes urbain allemand
+- **Conditions météo** : Uniquement conditions favorables (pas de nuit/intempéries)
+- **Scaling incomplet** : SegFormer-B2+ non-testés faute de ressources computationnelles
+
+### Améliorations Prioritaires Identifiées
+
+**1. Robustesse Protocolaire**
+- **Préservation ratio natif** : Tests sur images 2:1 sans déformation géométrique (contraintes budgétaires/temps limitant cette approche)
+- **Résolutions supérieures** : Évaluation à 1024×512 ou résolutions natives pour validation écologique
+- **Evaluation multi-dataset** : Validation BDD100K, Mapillary Vistas pour généralisation
+
+**2. Scaling Architectural Complet**
+- **SegFormer variants complets** : B2, B3, B4 pour validation des gains à tous les niveaux de complexité vs papier original
+- **Évaluation différentielle** : Déterminer si les améliorations observées sont spécifiques aux modèles légers (B0-B1) ou généralisables aux variants lourds
+- **Optimisations déploiement** : TensorRT, quantization FP16/INT8 pour inférence temps réel selon niveau de complexité
+
+**3. Analyse Causale Approfondie**
+1. **Prototypage rapide** : SegFormer-B1 comme référence architecturale moderne pour projets nécessitant performance maximale
+2. **Contraintes embarquées** : FPN+EfficientNet-B0 optimal pour déploiement edge ultra-contraint à 768×768, avec évaluation requise à résolutions supérieures pour validation complète
+3. **Adaptabilité clients** : Gamme SegFormer (B0-B1+) offrant scaling performance/ressources selon besoins spécifiques
+
+### Perspectives de Déploiement Pratique
+
+**Applications industrielles validées :**
+1. **Prototypage rapide** : SegFormer-B1 comme référence architecturale moderne pour projets nécessitant performance maximale
+2. **Contraintes embarquées** : FPN+EfficientNet-B0 optimal pour déploiement edge ultra-contraint à 768×768, avec évaluation requise à résolutions supérieures pour validation complète
+3. **Adaptabilité clients** : Gamme SegFormer (B0-B1+) offrant scaling performance/ressources selon besoins spécifiques
+
+**ROI technique contextuel :**
+Cette preuve de concept valide l'intérêt des architectures Transformer tout en révélant leurs **sensibilités pratiques** (ratio d'image, scaling nécessaire). L'approche constitue une **base méthodologique** solide pour futurs développements production avec contraintes réelles explicitées.
+
+---
+
+## Conclusion Méthodologique
+
+### Contribution Analytique Principale
+
+Cette étude apporte une **perspective complémentaire critique** aux évaluations académiques standard en révélant :
+
+1. **Impact géométrique différentiel** : Sensibilité CNN vs Transformer aux déformations d'image
+2. **Scaling architectural requis** : Nécessité SegFormer-B1+ pour surpasser baselines CNN établies en ratio 1:1
+3. **Trade-offs pratiques** : Compromis performance/efficacité sous contraintes réelles
+
+### Validation des Hypothèses de Recherche
+
+**Hypothèses confirmées :**
+- ✅ **SegFormer-B1 surpasse FPN** (+1.31% mIoU) avec efficacité paramétrique supérieure
+- ✅ **Amélioration classes critiques** validée (Human +1.78%, Vehicle +1.05%)
+- ✅ **Architecture Transformer viable** pour segmentation temps réel avec scaling approprié
+
+**Hypothèses infirmées :**
+- ❌ **SegFormer-B0 sous-performant** vs FPN sur images 1:1
+- ❌ **Robustesse géométrique** Transformer surestimée vs CNN
+
+### Positionnement Scientifique
+
+Cette preuve de concept se distingue par son **réalisme méthodologique** : elle expose les limitations pratiques des architectures d'avant-garde sous contraintes déploiement réelles, offrant une analyse **nuancée et reproductible** aux équipes techniques devant opérer des choix architecturaux informés.
+
 L'approche constitue une **base technique solide** pour futurs développements industriels nécessitant des compromis éclairés entre innovation architecturale et contraintes opérationnelles.
--- a/docs/plan_previsionnel.md
+++ b/docs/plan_previsionnel.md
@ -1,77 +1,77 @@
-# Plan Prévisionnel - Preuve de Concept Segmentation Sémantique
-
-**Projet** : Amélioration de la segmentation sémantique temps réel avec SegFormer  
-
---
-
-## Dataset Retenu
-
-**Cityscapes** : Dataset de référence pour la segmentation sémantique de scènes urbaines comprenant 2975 images haute résolution (2048×1024) annotées pixel par pixel. Les images sont capturées dans **50 villes allemandes différentes** avec **34 classes principales** que nous regroupons en **8 catégories pertinentes** (flat, vehicle, human, construction, object, nature, sky, void). 
-
-**Particularité méthodologique** : Les images seront testées aux résolutions 512×512 et 768×768 avec **déformation du ratio d'origine** (passage de 2:1 à 1:1) pour optimiser les contraintes computationnelles GPU T4. Cette modification permettra d'analyser l'impact du ratio d'image sur les différentes architectures.
-
---
-
-## Modèle Envisagé
-
-### Algorithme : SegFormer (Focus Temps Réel)
-
-**Justifications du choix :**
-SegFormer (Xie et al., 2021) représente une approche Transformer vision-optimisée pour la segmentation sémantique. **L'analyse du benchmark Cityscapes révèle que SegFormer-B0 égale les performances de DeepLabv3+** (75.3% vs 75.2% mIoU) tout en fonctionnant à **résolution réduite** (côté court 768px vs résolution pleine). Cette efficacité computationnelle supérieure suggère un potentiel d'amélioration face à notre baseline FPN, DeepLabv3+ étant théoriquement plus performant que FPN.
-
-**Objectif et hypothèses de recherche :**
-1. **SegFormer-B0** devrait surpasser FPN+EfficientNetB0 (78.67% mIoU baseline) grâce à l'attention globale native
-2. **SegFormer-B1** permettra d'explorer le scaling architectural (non documenté dans le papier original)
-3. **Impact du ratio d'image** : Analyser comment la déformation 2:1→1:1 affecte les architectures CNN vs Transformer
-
-**Contraintes et adaptations :**
- Migration framework obligatoire : TensorFlow/Keras → PyTorch pour accès aux modèles SegFormer récents
- Résolutions contraintes par GPU T4 : 512×512 et 768×768 maximum
- Protocole différent du papier original : images carrées vs rectangulaires natives
-
---
-
-## Références Bibliographiques
-
-1. **Xie, E., Wang, W., Yu, Z., et al.** (2021). *SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers*. NeurIPS 2021. [Architecture Transformer de référence]
-
-2. **Chen, L.C., Zhu, Y., Papandreou, G., et al.** (2018). *Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation*. ECCV 2018. [Baseline comparative DeepLabv3+]
-
-3. **Cordts, M., Omran, M., Ramos, S., et al.** (2016). *The Cityscapes Dataset for Semantic Urban Scene Understanding*. CVPR 2016. [Dataset de référence]
-
---
-  
-## Explication de la Démarche de Test
-
-### Méthode Baseline
-**FPN + EfficientNetB0/ResNet34** : Réentraînement des modèles du projet précédent aux nouvelles résolutions 512×512 et 768×768 avec déformation du ratio d'image. Performance baseline FPN+EfficientNetB0 : 78.67% mIoU (baseline de référence).
-
-### Méthode de Test SegFormer
-**Évaluation comparative temps réel** :
-1. **SegFormer-B0** : Modèle compact ciblé (3.7M paramètres) pour validation du concept temps réel
-2. **SegFormer-B1** : Exploration scaling architectural (13.7M paramètres) non documenté dans le papier
-3. **Comparaison 512×512 vs 768×768** : Trade-off résolution/performance sur images déformées
-4. **Analyse différentielle** : Impact du ratio d'image 1:1 vs 2:1 natif Cityscapes
-
-**Métriques d'évaluation** :
- Mean IoU (métrique principale) et accuracy pixel-wise
- Performance par classe sémantique (focus classes critiques : Human, Vehicle)
- Temps d'inférence CPU/GPU pour validation déploiement pratique
-
-### Preuve de Concept
-**Interface Streamlit** déployée sur serveur NAS personnel (CPU Intel N100) permettant :
- Upload d'images urbaines avec **inférence comparative multi-modèles** 
- **Visualisation côte-à-côte** : FPN+ResNet34 vs SegFormer-B1 (meilleurs représentants)
- Affichage temps d'inférence réel et métriques de performance détaillées
- **Analyse exploratoire dataset** : Distribution classes, statistiques pixel-wise interactives
-
-**Hypothèses de validation** :
-1. **SegFormer-B1 > FPN baselines** malgré contraintes ratio d'image
-2. **SegFormer-B0 vs FPN** : Révélation possible de limitations Transformer sur images déformées
-3. **Performances générales** potentiellement supérieures au papier original grâce à l'optimisation ratio 1:1
-
-**Code réutilisé** : Framework `segmentation_models_pytorch` pour les implémentations. **Application originale** : protocole d'évaluation sur images carrées et analyse comparative CNN vs Transformer sous contraintes géométriques spécifiques.
-
---
-
+# Plan Prévisionnel - Preuve de Concept Segmentation Sémantique
+
+**Projet** : Amélioration de la segmentation sémantique temps réel avec SegFormer  
+
+---
+
+## Dataset Retenu
+
+**Cityscapes** : Dataset de référence pour la segmentation sémantique de scènes urbaines comprenant 2975 images haute résolution (2048×1024) annotées pixel par pixel. Les images sont capturées dans **50 villes allemandes différentes** avec **34 classes principales** que nous regroupons en **8 catégories pertinentes** (flat, vehicle, human, construction, object, nature, sky, void). 
+
+**Particularité méthodologique** : Les images seront testées aux résolutions 512×512 et 768×768 avec **déformation du ratio d'origine** (passage de 2:1 à 1:1) pour optimiser les contraintes computationnelles GPU T4. Cette modification permettra d'analyser l'impact du ratio d'image sur les différentes architectures.
+
+---
+
+## Modèle Envisagé
+
+### Algorithme : SegFormer (Focus Temps Réel)
+
+**Justifications du choix :**
+SegFormer (Xie et al., 2021) représente une approche Transformer vision-optimisée pour la segmentation sémantique. **L'analyse du benchmark Cityscapes révèle que SegFormer-B0 égale les performances de DeepLabv3+** (75.3% vs 75.2% mIoU) tout en fonctionnant à **résolution réduite** (côté court 768px vs résolution pleine). Cette efficacité computationnelle supérieure suggère un potentiel d'amélioration face à notre baseline FPN, DeepLabv3+ étant théoriquement plus performant que FPN.
+
+**Objectif et hypothèses de recherche :**
+1. **SegFormer-B0** devrait surpasser FPN+EfficientNetB0 (78.67% mIoU baseline) grâce à l'attention globale native
+2. **SegFormer-B1** permettra d'explorer le scaling architectural (non documenté dans le papier original)
+3. **Impact du ratio d'image** : Analyser comment la déformation 2:1→1:1 affecte les architectures CNN vs Transformer
+
+**Contraintes et adaptations :**
+- Migration framework obligatoire : TensorFlow/Keras → PyTorch pour accès aux modèles SegFormer récents
+- Résolutions contraintes par GPU T4 : 512×512 et 768×768 maximum
+- Protocole différent du papier original : images carrées vs rectangulaires natives
+
+---
+
+## Références Bibliographiques
+
+1. **Xie, E., Wang, W., Yu, Z., et al.** (2021). *SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers*. NeurIPS 2021. [Architecture Transformer de référence]
+
+2. **Chen, L.C., Zhu, Y., Papandreou, G., et al.** (2018). *Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation*. ECCV 2018. [Baseline comparative DeepLabv3+]
+
+3. **Cordts, M., Omran, M., Ramos, S., et al.** (2016). *The Cityscapes Dataset for Semantic Urban Scene Understanding*. CVPR 2016. [Dataset de référence]
+
+---
+  
+## Explication de la Démarche de Test
+
+### Méthode Baseline
+**FPN + EfficientNetB0/ResNet34** : Réentraînement des modèles du projet précédent aux nouvelles résolutions 512×512 et 768×768 avec déformation du ratio d'image. Performance baseline FPN+EfficientNetB0 : 78.67% mIoU (baseline de référence).
+
+### Méthode de Test SegFormer
+**Évaluation comparative temps réel** :
+1. **SegFormer-B0** : Modèle compact ciblé (3.7M paramètres) pour validation du concept temps réel
+2. **SegFormer-B1** : Exploration scaling architectural (13.7M paramètres) non documenté dans le papier
+3. **Comparaison 512×512 vs 768×768** : Trade-off résolution/performance sur images déformées
+4. **Analyse différentielle** : Impact du ratio d'image 1:1 vs 2:1 natif Cityscapes
+
+**Métriques d'évaluation** :
+- Mean IoU (métrique principale) et accuracy pixel-wise
+- Performance par classe sémantique (focus classes critiques : Human, Vehicle)
+- Temps d'inférence CPU/GPU pour validation déploiement pratique
+
+### Preuve de Concept
+**Interface Streamlit** déployée sur serveur NAS personnel (CPU Intel N100) permettant :
+- Upload d'images urbaines avec **inférence comparative multi-modèles** 
+- **Visualisation côte-à-côte** : FPN+ResNet34 vs SegFormer-B1 (meilleurs représentants)
+- Affichage temps d'inférence réel et métriques de performance détaillées
+- **Analyse exploratoire dataset** : Distribution classes, statistiques pixel-wise interactives
+
+**Hypothèses de validation** :
+1. **SegFormer-B1 > FPN baselines** malgré contraintes ratio d'image
+2. **SegFormer-B0 vs FPN** : Révélation possible de limitations Transformer sur images déformées
+3. **Performances générales** potentiellement supérieures au papier original grâce à l'optimisation ratio 1:1
+
+**Code réutilisé** : Framework `segmentation_models_pytorch` pour les implémentations. **Application originale** : protocole d'évaluation sur images carrées et analyse comparative CNN vs Transformer sous contraintes géométriques spécifiques.
+
+---
+
 **Note méthodologique** : Cette approche permet d'analyser les trade-offs pratiques architecture/performance dans un contexte de contraintes réelles (hardware limité, déformation d'images), offrant une perspective complémentaire aux évaluations académiques standard.
--- a/nginx.conf
+++ b/nginx.conf
@ -1,57 +1,57 @@
-# This reverse proxy configuration aims to make calls to different services running under different ports (Streamlit :8501 and FastAPI :8000) by calling only one port : the nginx one (configurable via NGINX_PORT)
-# The NGINX_PORT has to be opened (Dockerfile) and used by app.py (streamlit) in order to make right calls.
-worker_processes 1;
-
-events { worker_connections 1024; }
-
-http {
-    # ✅ AJOUT: Limite d'upload augmentée
-    client_max_body_size 200M;  # Permet uploads jusqu'à 200MB
-
-    server {
-        listen ${NGINX_PORT};
-
-        # ✅ AJOUT: Timeouts pour gros fichiers
-        client_body_timeout 60s;
-        client_header_timeout 60s;
-        keepalive_timeout 60s;
-        send_timeout 60s;
-
-        location /api/ {
-            proxy_pass http://127.0.0.1:8000/;
-            proxy_set_header Host $host;
-            proxy_set_header X-Real-IP $remote_addr;
-            proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
-            proxy_set_header X-Forwarded-Proto $scheme;
-
-            # ✅ AJOUT: Timeouts pour uploads
-            proxy_read_timeout 300s;
-            proxy_connect_timeout 75s;
-            proxy_send_timeout 300s;
-        }
-
-        location / {
-            proxy_pass http://127.0.0.1:8501/;
-
-            proxy_http_version 1.1;
-            proxy_set_header Upgrade $http_upgrade;
-            proxy_set_header Connection "upgrade";
-
-            proxy_set_header Host $host;
-            proxy_set_header X-Real-IP $remote_addr;
-            proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
-            proxy_set_header X-Forwarded-Proto $scheme;
-
-            # ✅ AJOUT: Timeouts pour Streamlit uploads
-            proxy_read_timeout 300s;
-            proxy_connect_timeout 75s;
-            proxy_send_timeout 300s;
-        }
-
-        location /health {
-            return 200 'OK';
-            add_header Content-Type text/plain;
-        }
-    }
-}
-
+# This reverse proxy configuration aims to make calls to different services running under different ports (Streamlit :8501 and FastAPI :8000) by calling only one port : the nginx one (configurable via NGINX_PORT)
+# The NGINX_PORT has to be opened (Dockerfile) and used by app.py (streamlit) in order to make right calls.
+worker_processes 1;
+
+events { worker_connections 1024; }
+
+http {
+    # ✅ AJOUT: Limite d'upload augmentée
+    client_max_body_size 200M;  # Permet uploads jusqu'à 200MB
+
+    server {
+        listen ${NGINX_PORT};
+
+        # ✅ AJOUT: Timeouts pour gros fichiers
+        client_body_timeout 60s;
+        client_header_timeout 60s;
+        keepalive_timeout 60s;
+        send_timeout 60s;
+
+        location /api/ {
+            proxy_pass http://127.0.0.1:8000/;
+            proxy_set_header Host $host;
+            proxy_set_header X-Real-IP $remote_addr;
+            proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
+            proxy_set_header X-Forwarded-Proto $scheme;
+
+            # ✅ AJOUT: Timeouts pour uploads
+            proxy_read_timeout 300s;
+            proxy_connect_timeout 75s;
+            proxy_send_timeout 300s;
+        }
+
+        location / {
+            proxy_pass http://127.0.0.1:8501/;
+
+            proxy_http_version 1.1;
+            proxy_set_header Upgrade $http_upgrade;
+            proxy_set_header Connection "upgrade";
+
+            proxy_set_header Host $host;
+            proxy_set_header X-Real-IP $remote_addr;
+            proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
+            proxy_set_header X-Forwarded-Proto $scheme;
+
+            # ✅ AJOUT: Timeouts pour Streamlit uploads
+            proxy_read_timeout 300s;
+            proxy_connect_timeout 75s;
+            proxy_send_timeout 300s;
+        }
+
+        location /health {
+            return 200 'OK';
+            add_header Content-Type text/plain;
+        }
+    }
+}
+
--- a/notebooks/requirements.txt
+++ b/notebooks/requirements.txt
--- a/start.sh
+++ b/start.sh
@ -1,52 +1,52 @@
-#!/bin/bash
-
-set -e
-
-# Set default port si non fourni
-export NGINX_PORT=${NGINX_PORT:-8080}
-export MULTISEG_API_BASE_URL=${MULTISEG_API_BASE_URL:-http://localhost:$NGINX_PORT/api}
-
-echo "=== Multi-Segmentation API Docker Startup ==="
-echo "NGINX_PORT: $NGINX_PORT"
-echo "API_BASE_URL: $MULTISEG_API_BASE_URL"
-
-# Substitute environment variables dans nginx config
-envsubst '${NGINX_PORT}' < /etc/nginx/nginx.conf.template > /etc/nginx/nginx.conf
-
-# S'assurer que les répertoires nginx sont accessibles
-mkdir -p /var/cache/nginx /var/run/nginx /var/log/nginx
-chown -R www-data:www-data /var/cache/nginx /var/run/nginx /var/log/nginx
-
-# Créer le dossier uploads temporaire
-mkdir -p /tmp/uploads
-
-echo "Starting FastAPI server..."
-uvicorn app.main:app --host 0.0.0.0 --port 8000 --loop asyncio &
-
-echo "Starting Streamlit app..."
-streamlit run app/streamlit_app.py \
-  --server.port 8501 \
-  --server.address 0.0.0.0 \
-  --server.enableXsrfProtection false \
-  --server.enableCORS false \
-  --server.headless true \
-  &
-
-# Vérifier que FastAPI est prêt
-echo "Waiting for FastAPI to be ready..."
-until curl -s http://127.0.0.1:8000/health > /dev/null; do
-  echo "  FastAPI not ready yet, waiting..."
-  sleep 2
-done
-echo "✅ FastAPI is ready!"
-
-# Vérifier que Streamlit est prêt
-echo "Waiting for Streamlit to be ready..."
-until curl -s http://127.0.0.1:8501 > /dev/null; do
-  echo "  Streamlit not ready yet, waiting..."
-  sleep 2
-done
-echo "✅ Streamlit is ready!"
-
-echo "🚀 Launching NGINX reverse proxy on port $NGINX_PORT..."
-nginx -c /etc/nginx/nginx.conf -g 'daemon off;'
+#!/bin/bash
+
+set -e
+
+# Set default port si non fourni
+export NGINX_PORT=${NGINX_PORT:-8080}
+export MULTISEG_API_BASE_URL=${MULTISEG_API_BASE_URL:-http://localhost:$NGINX_PORT/api}
+
+echo "=== Multi-Segmentation API Docker Startup ==="
+echo "NGINX_PORT: $NGINX_PORT"
+echo "API_BASE_URL: $MULTISEG_API_BASE_URL"
+
+# Substitute environment variables dans nginx config
+envsubst '${NGINX_PORT}' < /etc/nginx/nginx.conf.template > /etc/nginx/nginx.conf
+
+# S'assurer que les répertoires nginx sont accessibles
+mkdir -p /var/cache/nginx /var/run/nginx /var/log/nginx
+chown -R www-data:www-data /var/cache/nginx /var/run/nginx /var/log/nginx
+
+# Créer le dossier uploads temporaire
+mkdir -p /tmp/uploads
+
+echo "Starting FastAPI server..."
+uvicorn app.main:app --host 0.0.0.0 --port 8000 --loop asyncio &
+
+echo "Starting Streamlit app..."
+streamlit run app/streamlit_app.py \
+  --server.port 8501 \
+  --server.address 0.0.0.0 \
+  --server.enableXsrfProtection false \
+  --server.enableCORS false \
+  --server.headless true \
+  &
+
+# Vérifier que FastAPI est prêt
+echo "Waiting for FastAPI to be ready..."
+until curl -s http://127.0.0.1:8000/health > /dev/null; do
+  echo "  FastAPI not ready yet, waiting..."
+  sleep 2
+done
+echo "✅ FastAPI is ready!"
+
+# Vérifier que Streamlit est prêt
+echo "Waiting for Streamlit to be ready..."
+until curl -s http://127.0.0.1:8501 > /dev/null; do
+  echo "  Streamlit not ready yet, waiting..."
+  sleep 2
+done
+echo "✅ Streamlit is ready!"
+
+echo "🚀 Launching NGINX reverse proxy on port $NGINX_PORT..."
+nginx -c /etc/nginx/nginx.conf -g 'daemon off;'
--- a/utils/utils.py
+++ b/utils/utils.py