Retour sur le projet FastCrowdVision
Bonjour,
Merci pour le partage de ce projet, j’ai trouvé l’ensemble vraiment agréable à parcourir et à tester. On voit qu’il y a eu un travail important pour construire quelque chose de complet, avec une vraie logique de bout en bout.
Points positifs
Structure et organisation
La structure du dépôt est claire et bien organisée, avec une séparation nette entre les différentes parties (training, model, serving, tests). Cela facilite la lecture du code et permet de comprendre rapidement le fonctionnement global du projet.
Mise en production
Plusieurs éléments liés à la mise en production sont particulièrement intéressants. Le Dockerfile multi-stage est bien pensé, le pipeline CI/CD avec GitHub Actions est propre, et la présence des manifests Kubernetes ainsi que la configuration ArgoCD montrent une vraie démarche de déploiement reproductible.
Entraînement et MLOps
La partie entraînement est bien construite, avec l’intégration de WandB pour le suivi des expériences et des métriques. Le choix d’un modèle léger comme SSDLite avec MobileNetV3 est cohérent pour un usage en temps réel.
Serving temps réel
L’utilisation de FastAPI avec WebSocket fonctionne bien pour ce type de cas d’usage. Le format des données renvoyées est clair et facilement exploitable côté interface, ce qui rend l’ensemble fluide et concret à utiliser.
Pistes d’amélioration
Quelques améliorations mineures pourraient encore renforcer le projet :
- Ajouter des métriques côté API (par exemple latence ou nombre d’images traitées par seconde) pour mieux suivre les performances en fonctionnement
- Rendre certains paramètres comme
frame_skip ou score_thr encore plus simples à configurer
Conclusion
Dans l’ensemble, c’est un projet solide, bien structuré et agréable à utiliser.
Retour sur le projet FastCrowdVision
Bonjour,
Merci pour le partage de ce projet, j’ai trouvé l’ensemble vraiment agréable à parcourir et à tester. On voit qu’il y a eu un travail important pour construire quelque chose de complet, avec une vraie logique de bout en bout.
Points positifs
Structure et organisation
La structure du dépôt est claire et bien organisée, avec une séparation nette entre les différentes parties (training, model, serving, tests). Cela facilite la lecture du code et permet de comprendre rapidement le fonctionnement global du projet.
Mise en production
Plusieurs éléments liés à la mise en production sont particulièrement intéressants. Le Dockerfile multi-stage est bien pensé, le pipeline CI/CD avec GitHub Actions est propre, et la présence des manifests Kubernetes ainsi que la configuration ArgoCD montrent une vraie démarche de déploiement reproductible.
Entraînement et MLOps
La partie entraînement est bien construite, avec l’intégration de WandB pour le suivi des expériences et des métriques. Le choix d’un modèle léger comme SSDLite avec MobileNetV3 est cohérent pour un usage en temps réel.
Serving temps réel
L’utilisation de FastAPI avec WebSocket fonctionne bien pour ce type de cas d’usage. Le format des données renvoyées est clair et facilement exploitable côté interface, ce qui rend l’ensemble fluide et concret à utiliser.
Pistes d’amélioration
Quelques améliorations mineures pourraient encore renforcer le projet :
frame_skipouscore_threncore plus simples à configurerConclusion
Dans l’ensemble, c’est un projet solide, bien structuré et agréable à utiliser.