This is a Next.js project template that runs on Cloudflare workers including next-intl, Tailwind CSS, ESLint, Prettier and BProgress.

Install dependencies

Install with your preferred package manager (example commands):

# bun
bun install

# npm
npm install

# yarn
yarn install

# pnpm
pnpm install

Configure environment (.dev.vars)

1. Create a .dev.vars file at the project root with any environment variables you need (one per line: KEY=VALUE). Example:

NEXT_PUBLIC_API_URL=https://api.example.com
CF_ACCOUNT_ID=your-cloudflare-account-id

Do NOT commit .dev.vars to source control. It often contains secrets and local values.

After adding or changing environment variables, regenerate/update Cloudflare environment types (this project includes a cf-typegen script):

# npm
npm run cf-typegen

# yarn
yarn cf-typegen

# pnpm
pnpm run cf-typegen

# bun
bun run cf-typegen

The cf-typegen script runs wrangler types and updates cloudflare-env.d.ts so your TypeScript types match your Cloudflare environment variables.

Run (development)

Start the dev server:

npm run dev
# or
yarn dev
# or
pnpm dev
# or
bun dev

Open http://localhost:3000 with your browser to see the result.

You can start editing the page by modifying src/app/[locale]/page.tsx, the page auto-updates as you edit the file.

🐾 Anidex - Attrape-les tous (en image) !

Une application de classification d'animaux par intelligence artificielle inspirée de l'univers Pokémon.

📋 Description

Anidex est une application web interactive qui utilise l'intelligence artificielle pour identifier automatiquement les animaux présents dans vos images. Grâce à un modèle de deep learning basé sur MobileNetV2 et le transfer learning, l'application peut reconnaître 10 espèces d'animaux avec une grande précision.

🎯 Fonctionnalités principales

• Classification automatique : Upload d'image et prédiction instantanée
• Niveau de confiance : Pourcentage de certitude de la prédiction
• Interface Pokédex : Fiches détaillées des animaux détectés
• Système de feedback : Validation des prédictions pour améliorer le modèle
• Visualisations avancées : Graphiques des probabilités et statistiques
• Design intuitif : Interface web moderne et responsive

🦁 Animaux reconnus

L'application peut identifier les animaux suivants :

• 🐘 Éléphant - Majesteux mammifère des savanes
• 🐄 Vache - Bovin domestique
• 🐑 Mouton - Ovin producteur de laine
• 🐕 Chien - Fidèle compagnon de l'homme
• 🐎 Cheval - Noble équidé
• 🕷️ Araignée - Arachnide tisseuse
• 🦋 Papillon - Insecte aux ailes colorées
• 🐱 Chat - Félin domestique
• 🐔 Poulet - Volaille de basse-cour
• 🐿️ Écureuil - Petit rongeur agile

🚀 Aperçu de l'application

Interface de classification

L'interface principale permet d'uploader une image par glisser-déposer et affiche instantanément la prédiction avec le niveau de confiance.

Fiche Pokédex

Chaque animal détecté dispose d'une fiche détaillée contenant :

• Habitat : Environnement naturel
• Taille : Dimensions moyennes
• Poids : Masse corporelle
• Régime alimentaire : Habitudes nutritionnelles
• Caractéristiques : Traits distinctifs
• Faits intéressants : Anecdotes surprenantes

Analyses statistiques

• Graphique en barres des top 5 prédictions
• Vue détaillée de toutes les probabilités

🧠 Technologie

Architecture du modèle

• Base : MobileNetV2 pré-entraîné sur ImageNet
• Technique : Transfer Learning avec fine-tuning
• Optimisation : Callbacks intelligents (EarlyStopping, ReduceLROnPlateau)
• Augmentation : Data augmentation pour améliorer la robustesse

Stack technique

• Backend ML : TensorFlow/Keras
• Interface : Streamlit
• Traitement d'images : PIL, numpy
• Visualisations : matplotlib, seaborn
• Documentation : Jupyter Notebooks

📊 Performances

Le modèle atteint une précision de 92.3% sur l'ensemble de test, avec des prédictions particulièrement fiables pour les grands mammifères comme les éléphants (>99% de confiance typique).

🏗️ Structure du projet

Anidex/
├── data/                        # Dataset organisé par classes
│   ├── butterfly/               # Images de papillons
│   ├── cat/                     # Images de chats
│   ├── chicken/                 # Images de poulets
│   ├── cow/                     # Images de vaches
│   ├── dog/                     # Images de chiens
│   ├── elephant/                # Images d'éléphants
│   ├── horse/                   # Images de chevaux
│   ├── sheep/                   # Images de moutons
│   ├── spider/                  # Images d'araignées
│   └── squirrel/                # Images d'écureuils
├── models/                      # Notebooks et modèles ML
│   └── MobileNetV2.ipynb        # Notebook d'entraînement du modèle
├── src/                         # Code source principal
│   ├── dashboard.py             # Application Streamlit principale
│   ├── data_preprocessing.ipynb # Notebook de prétraitement
│   └── model.py                 # Fonctions du modèle ML
├── model_classification.h5      # Modèle entraîné sauvegardé
├── requirements.txt             # Dépendances Python
├── .gitignore                   # Fichiers à ignorer par Git
└── README.md                    # Documentation du projet

📖 Utilisation

Interface web

1. Accédez à l'application Streamlit
2. Cliquez sur "Browse files" ou glissez-déposez votre image
3. Attendez la prédiction automatique
4. Consultez la fiche Pokédex de l'animal détecté
5. Validez ou corrigez la prédiction via les boutons de feedback

Formats supportés

• Images : PNG, JPG, JPEG
• Taille maximum : 200MB
• Résolution : Optimale entre 224x224 et 1024x1024 pixels

🛠️ Installation

Prérequis

• Système d'exploitation : Ubuntu 18.04+ ou Debian 10+
• Make : Pour automatiser l'installation
• Accès sudo : Pour installer Python 3.11
• Git : Pour cloner le projet

Installation rapide

1. Cloner le repository

   git clone https://github.com/NotJuz0o/Anidex.git
   cd Anidex
   

2. Installation automatique

   # Voir les commandes disponibles
   make help
   
   # Installation complète (Python 3.11 + dépendances + environnement virtuel)
   make install
   

3. Lancer l'application

   make run
   

4. Accéder à l'interface

   Ouvrez votre navigateur et allez sur : http://localhost:8501

Installation manuelle (optionnelle)

Si vous préférez installer manuellement :

# 1. Installer Python 3.11
sudo apt update
sudo apt install -y python3.11 python3.11-venv python3.11-dev python3.11-distutils

# 2. Créer l'environnement virtuel
python3.11 -m venv .venv
source .venv/bin/activate

# 3. Installer les dépendances
pip install --upgrade pip
pip install -r requirements.txt

# 4. Lancer l'application
python -m streamlit run src/dashboard.py

Commandes Makefile disponibles

make help        # Afficher toutes les commandes disponibles
make install     # Installation complète du projet
make dataset     # Exécuter le prétraitement des données
make model       # Entraîner le modèle MobileNetV2
make run         # Lancer l'application Streamlit
make clean       # Nettoyer les caches Python uniquement
make fclean      # Nettoyage complet (venv + cache + modèles générés)

Problèmes courants

Erreur de permissions :

# S'assurer que make a les permissions
chmod +x Makefile

Port 8501 déjà utilisé :

# Lancer sur un autre port
.venv/bin/python -m streamlit run src/dashboard.py --server.port 8502

Vérification de l'installation

Une fois l'installation terminée, vous devriez voir :

• ✅ Interface Streamlit accessible sur http://localhost:8501
• ✅ Upload d'image fonctionnel
• ✅ Prédictions en temps réel
• ✅ Fiches Pokédex complètes

Désinstallation

Pour supprimer complètement le projet :

make fclean         # Nettoyage complet (recommandé)
cd ..
rm -rf Anidex       # Supprimer le dossier du projet

Ou nettoyage partiel :

make clean          # Garder l'environnement, supprimer juste les caches

🤝 Contribution

Les contributions sont les bienvenues ! Le système de feedback intégré permet d'améliorer continuellement le modèle.

Feedback utilisateur

• Utilisez les boutons "✅ Oui, c'est correct!" et "❌ Non, c'est faux" après chaque prédiction
• Vos retours sont automatiquement sauvegardés pour améliorer le modèle
• Les données anonymisées contribuent à l'entraînement futur

📈 Roadmap

Version actuelle (1.0)

• ✅ Classification de 10 animaux
• ✅ Interface Streamlit complète
• ✅ Système de feedback
• ✅ Fiches Pokédex

Versions futures

• 🔄 v1.1 : Géolocalisation des animaux
• 🔄 v1.2 : API REST pour intégrations
• 🔄 v2.0 : Classification multi-animaux par image

👨‍💻 Auteur

NotJuz0o - Etudiant EPITECH Promo 2029
Projet réalisé dans le cadre du développement de compétences en machine learning

📄 Licence

Ce projet est sous licence MIT. Voir le fichier LICENSE pour plus de détails.

🎯 Objectifs pédagogiques

Ce projet couvre l'ensemble du cycle de développement ML :

• Collecte et analyse de données
• Prétraitement d'images
• Transfer learning et fine-tuning
• Déploiement d'application ML
• Interface utilisateur interactive
• Amélioration continue par feedback

---

🌟 Testez dès maintenant Anidex et découvrez la magie de l'IA appliquée à la reconnaissance animale !

TARDIS

Project Overview

TARDIS analyzes train trajectory data to predict delays for specific routes and dates. This application processes SNCF's historical delay data through a robust cleaning pipeline, trains multiple machine learning models, and delivers predictions via an intuitive Streamlit interface.

Key Features

• Data Cleaning Pipeline: Corrects decimal values, standardizes station names, and handles missing data
• Multi-Model Approach: Compares Linear Regression, Gradient Boosting, Random Forest, and Neural Networks
• Interactive Predictions: Get delay forecasts for specific routes and dates
• Visual Analytics: Heatmaps, station comparisons, and trend visualizations

Technologies

| Component | Tools | |-----------|-------| | Frontend | Streamlit | | Backend | Python 3.9+ | | Data Processing | Pandas, NumPy | | Visualization | Matplotlib, Seaborn | | Machine Learning | Scikit-learn, TensorFlow | | Code Quality | Ruff Formatter |

Data Cleaning

The tardis_eda.ipynb notebook performs:

• Decimal Correction: Groups stations to normalize numerical values
• Text Standardization: Fixes typos in:
  • Departure station
  • Arrival station
  • Date columns
• Feature Engineering: Creates consistent temporal features
• Data Reduction: Removes non-essential columns while preserving key metrics

Frontend

1. Route Prediction Tool

   • Select departure/arrival stations
   • Choose travel date
   • Receive delay prediction

2. Historical Analysis

   • Monthly delay heatmaps
   • Station performance comparisons
   • Cancellation rate trends

3. Model Insights

   • Variable importance charts
   • Prediction confidence intervals