AeroSafe - Prototype IA

📌 Introduction

AeroSafe est un projet de drone intelligent destiné à assister les équipes de secours en détectant les victimes dans des environnements complexes grâce à l'intelligence artificielle et la vision par ordinateur.

Ce dépôt contient la première version du prototype IA d'AeroSafe, incluant un pipeline de données, un modèle initial et une structure de projet versionnée sous Git.

---

📅 Semaine 5 - Développement des bases de l'IA

🎯 Objectifs

• Construire un pipeline de données pour préparer les entrées du modèle IA.
• Développer et tester un modèle simple avec Yolo et OpenCV.
• Mettre en place un dépôt Git organisé pour le suivi du projet.

---

🏗️ Architecture du Projet

📁 data
│── 📁 sample_videos
│── 📁 docs
│   │── 📄 business-model-canvas.pdf
│   │── 📄 Introduction du Projet: Drones ...
│   │── 📄 Sans nom 1.pdf
│
📁 my-env (Environnement virtuel Python)
│
📁 notebooks (Dossiers pour les notebooks Jupyter)
│
📁 output (Résultats des tests YOLO)
│
📁 runs (Résultats des inférences YOLO)
│
📁 src (Code source principal)
│── 📁 configs (Fichiers de configuration)
│── 📁 models (Modèles entraînés ou architecture)
│── 📄 app.py (Script principal de l'application)
│── 📄 data_pipeline.py (Pipeline de traitement des données)
│── 📄 frame.py (Gestion des frames vidéo)
│── 📄 mediapipe.py (Utilisation de MediaPipe pour la détection)
│
📄 .gitignore (Fichier pour exclure certains fichiers dans Git)
📄 README.md (Documentation du projet)
📄 requirements.txt (Liste des dépendances Python)

---

🔹 1. Installation & Configuration

🔧 Prérequis

• Python 3.8+
• Git
• Environnement virtuel (recommandé : venv ou conda)
• Docker(pour la mimse en production)

🚀 Installation

# Cloner le dépôt
git clone https://github.com/ton-repo/AeroSafe.git
cd AeroSafe

# Créer et activer un environnement virtuel
python -m venv venv
source venv/bin/activate  # Pour Mac/Linux
venv\Scripts\activate     # Pour Windows

# Installer les dépendances
pip install -r requirements.txt

---

🔹 2. Pipeline de données

📌 Objectif

Prétraiter les images et vidéos en vue de l'entraînement du modèle IA.

📜 Étapes

1. Collecte des données (images, vidéos, métadonnées GPS)
2. Nettoyage (suppression du bruit, redimensionnement)
3. Normalisation (standardisation des valeurs)
4. Augmentation (création de variations des images)
5. Stockage structuré (système de fichiers ou base de données)

🚀 Exécution

python src/data_pipeline.py

---

🔹 3. Modèle IA

📌 Objectif

Tester une première version du modèle de détection de victimes avec un algorithme simple avant d’intégrer YOLO, Mediapipe ou ViTPose.

📜 Modèles testés

YoloV8x Yolo12x Mediapipe

🚀 Entraînement & Évaluation

python src/model_train.py
python src/model_eval.py

---

🔹 4. Versionnement avec Git

📜 Branches principales

• main → Code stable
• develop → Fonctionnalités en cours
• feature/data-pipeline → Développement du pipeline de données
• feature/model-test → Expérimentation des modèles IA

🚀 Commandes utiles

# Vérifier l’état du dépôt
git status

# Ajouter des modifications
git add .

git commit -m "Ajout du pipeline de données"

# Pousser sur GitHub
git push origin feature/data-pipeline

---

📦 Livrables attendus

✔️ Prototype IA fonctionnel ✔️ Dépôt Git structuré ✔️ Documentation claire et détaillée

---

🔜 Prochaines étapes

📌 Sélection du meilleur modèle IA 📌 Intégration de données réelles des drones 📌 Expérimentation avec algorithmes avancés (YOLO, Mediapipe, ViTPose)