Apppublic

hostabee/marfik-controle-qualite

sourceHugging Faceapache-2.0updated 28d agoView on Hugging Face

0likes

App README

Marfik — Contrôle qualité visuel par IA (démo)

Détection d'anomalies à partir de pièces conformes uniquement : aucun exemple de défaut n'est nécessaire pour démarrer, ce qui correspond à la réalité des ateliers (les rebuts sont rares et mal étiquetés). Le modèle localise les zones anormales sur une carte de chaleur, et un modèle vision-langage open-weight rédige un avis en français.

Brique	Modèle	Licence
Extracteur de descripteurs	Wide-ResNet-50 (torchvision, ImageNet)	BSD-3
Méthode	PatchCore simplifié (banque mémoire + plus proche voisin)	—
Explication (optionnelle)	`Qwen/Qwen3-VL-8B-Instruct`	Apache 2.0

Résultat mesuré (écrous métalliques, 40 images conformes, apprentissage 23 s sur CPU) : 22 défauts détectés sur 24, 1 fausse alerte sur 6 pièces bonnes.

⚠️ Le jeu de démonstration data/metal_nut provient de MVTec AD (licence CC BY-NC-SA 4.0, usage non commercial). Il sert uniquement à la démonstration ; tout déploiement client utilise les images du client.

Variables d'environnement

Variable	Rôle
`HF_TOKEN`	Active l'explication en français via Inference Providers (secret du Space)
`VLM_BASE_URL` / `VLM_MODEL`	Point d'accès vLLM on-premise compatible OpenAI

Lancer en local

bash

pip install -r requirements.txt
python app.py   # http://localhost:7860

Adapter à un client

1.Remplacer data/metal_nut/train/good par 30 à 100 photos de pièces conformes, prises dans les conditions réelles (même caméra, même éclairage, même position).
2.Relancer : l'apprentissage prend moins d'une minute sur CPU.
3.Ajuster la tolérance sur quelques pièces de référence bonnes et mauvaises.
4.Industrialisation : passage à anomalib (Intel, Apache 2.0) pour l'export OpenVINO/ONNX et l'intégration caméra/automate.