Spaces:
Sleeping
Sleeping
Commit History
-
Isoler le stockage des modeles par session et corriger le role de la CV
functionNormallyChaque session de navigateur (session_hash Gradio) a maintenant son propre sous-repertoire dans saved_models/ et saved_models_meta/, pour qu'un(e) etudiant(e) ne voie plus les modeles entraines par un(e) autre sur le meme Space partage. Pour les classifieurs ML classiques, la validation croisee effectue desormais une vraie recherche par grille (GridSearchCV) sur l'hyperparametre expose dans l'UI au lieu de se contenter de noter la valeur choisie a la main : elle selectionne le meilleur candidat, et c'est ce modele-la qui est sauvegarde et evalue.c72538b
-
Ajouter MLP baseline, courbes de perte, CV et backbone ImageNet brut
functionNormallySuite aux retours de Marco sur la conception du QCM : - Tab MLP (baseline) avant le CNN pour montrer que le surapprentissage persiste quel que soit le choix d'hyperparametres (nombre de couches, neurones par couche), motivant le passage au CNN - Courbes de perte train/validation par epoque (MLP et CNN) - Backbone ResNet18 remplace par les poids ImageNet d'origine, sans fine-tuning sur le dataset (retire la dependance a HF_BACKBONE_REPO) - Chaque algorithme classique (SVM, LogReg, k-NN, RF) n'expose plus qu'un seul hyperparametre ; LDA retire - Option de validation croisee (CV stratifiee, fallback si classe trop petite) affichant score CV et score test cote a cotee7db87b
-
Utiliser CircleStar/charcoal-resnet18-backbone comme dépôt backbone par défaut
functionNormallyddfedb8 -
Restructurer l'app : backbone préentraîné + ML classique + FC head + CNN de zéro
functionNormally- Ajout backbone_utils.py : chargement du backbone ResNet18 depuis HF, extraction de features 512-dim avec cache mémoire - Ajout classical_ml_utils.py : SVM / LogReg / k-NN / RF / LDA sur les features extraites (pipeline sklearn avec StandardScaler + joblib) - Refactorisation train_utils.py : train_fc_head (tête FC seule, ~200Ko sauvegardés) et train_cnn (SimpleCNN de zéro) ; evaluate_saved_model unifié pour tous les types - Mise à jour model.py : BackboneWithFC (backbone gelé + tête FC) + SimpleCNN conservé - Mise à jour predict_utils.py : dispatch automatique selon model_type - Mise à jour app.py : 4 onglets (dataset / ML classique / neuronaux / test-prédiction) - Ajout config.py : HF_BACKBONE_REPO, CLASSICAL_MODEL_TYPES - Ajout .gitignore : exclut data/, backbone/, saved_models/, __pycache__/ - Ajout finetune_backbone.py : script local pour entraîner le backbone sur les donnéescdc317a
-
Update config.py
ab13e5c -
Update config.py
a1909f8 -
Update config.py
91fadd5 -
Update config.py
ef1898f -
Create config.py
93cdb63