Ibrah2278/detection_piece

modele de detection des pieces de cfa Fichier README.md (résumé, commandes, how-to) # Coin Recognition — YOLOv8 + Roboflow + Streamlit ## But Détecter et classifier les pièces CFA (5f, 10f, 25f, 50f, 100f, 200f, 500f) avec YOLOv8 entraîné sur un dataset annoté via Roboflow. Fournir une interface Streamlit pour tester l'inférence. ## Pré-requis - Python 3.9+ - (GPU recommandé pour l'entraînement) - Compte Roboflow + API key (si tu utilises Roboflow) ## Installation ```bash python -m venv .venv source .venv/bin/activate # ou .venv\\Scripts\\activate sur Windows pip install -r requirements.txt Workflow rapide Uploader & annoter le dataset sur Roboflow (interface web). Créer une version avec augmentations et exporter en YOLO format. Télécharger et placer le dataset dans data/yolo_dataset/ (ou utiliser data.yaml fourni par Roboflow). Entraîner YOLOv8 : yolo detect train model=yolov8n.pt data=data.yaml epochs=50 imgsz=640 batch=16 name=coin_yolov8n Lancer l'app Streamlit (inférence locale) : streamlit run streamlit_app/app_yolo.py Fichiers & dossiers data/ : datasets (raw et exports YOLO) models/yolov8/ : modèles entraînés (.pt) scripts/ : utilitaires (resize, download) src/ : fonctions d'inférence (Ultralytics et Roboflow) streamlit_app/ : apps Streamlit (local et Roboflow) notebooks/ : notebooks d'expérimentation requirements.txt : dépendances README.md : ce fichier Roboflow tips Choisir Object Detection pour YOLO. Augmentations recommandées : rotation ±15°, brightness/contrast, gaussian noise, gaussian blur (faible), flips. Exporter en YOLOv8 et télécharger data.yaml. Notes Pour production, packager dans Docker. Pour performance, utiliser GPU (CUDA + PyTorch compatible). --- # 13. `requirements.txt` minimal numpy opencv-python Pillow ultralytics streamlit roboflow matplotlib seaborn tqdm