Documentation du paquet Python aidge_in_space, le banc d'essai qui compare des algorithmes et des modèles de compression d'image pour choisir ce qui sera porté sur la carte (chaîne ONNX → Aidge → LoCod). Le contexte du projet et l'installation sont décrits dans le README du dépôt.

Lancer

Usage	Commande
Interface (http://127.0.0.1:7860)	python -m aidge_in_space.app
Liste des codecs, jeux d'images et moteurs	python -m aidge_in_space.bench --list
Campagne sans interface	python -m aidge_in_space.bench --codecs jpeg,bmshj2018-hyperprior --images 24 --mode rgb
Tests	python -m pytest tests
Plateforme d'entraînement : worker	python -m aidge_in_space.worker
Entraînement en ligne de commande	python -m aidge_in_space.train --config mon_essai.yaml
Cette documentation	doxygen Doxyfile puis docs/html/index.html

Organisation

Module	Rôle
aidge_in_space.codecs	Registre des codecs : tout module du dossier qui définit codecs() est découvert automatiquement
aidge_in_space.codecs.base	Codec, Level, Result et LearnedCodec (padding, moteur de l'encodeur, débit réel ou estimé, décodage)
aidge_in_space.codecs.classical	JPEG, JPEG 2000 et WebP via Pillow
aidge_in_space.codecs.balle2017	Modèles Ballé 2017 entraînés par le notebook (outputs/checkpoints)
aidge_in_space.codecs.bmshj2018	Ballé 2018 factorisé et hyperprior, poids pré-entraînés de CompressAI
aidge_in_space.coding	Codage entropique des latents, une classe par modèle d'entropie (LatentCoding)
aidge_in_space.entropy	Codeur arithmétique et tables de fréquences
aidge_in_space.nn	Architectures, GDN, modèles d'entropie
aidge_in_space.backends	Exécution de l'encodeur sur PyTorch, ONNX Runtime ou Aidge
aidge_in_space.profiling	Calcul, paramètres et mémoire de la partie embarquée, couche par couche
aidge_in_space.metrics	PSNR, MS-SSIM, BD-rate
aidge_in_space.bench	Campagnes de mesures (CSV dans outputs/bench), agrégation, figures
aidge_in_space.app	Interface Gradio
aidge_in_space.ui_training	Onglets Données, Entraînement et Suivi : fonctions pures (jeux d'images, jobs, courbes) et adaptateurs Gradio
aidge_in_space.jobs	JobStore, la file d'attente SQLite : jobs, métriques, battements de cœur des workers, statuts
aidge_in_space.worker	Prend les jobs un par un et lance chacun dans un sous-processus train
aidge_in_space.train	Ligne de commande d'entraînement (--config ou --job-id) et codes de retour
aidge_in_space.training	Paquet d'entraînement : config (TrainConfig, préréglages), loop (boucle, checkpoints, reprise), imaging (conversion 8 bits)

Plateforme d'entraînement

L'interface n'entraîne jamais elle-même. Elle écrit des jobs dans la file (aidge_in_space.jobs.JobStore, base outputs/runs/runs.sqlite, ou le volume runs sous Docker). Le worker (aidge_in_space.worker) prend les jobs un par un et lance python -m aidge_in_space.train --job-id N dans un sous-processus. Ce processus écrit les métriques dans la base et un checkpoint bls2017_c*_N*_lambda*_run<N>.pt dans outputs/checkpoints. Le statut final du job est déduit par le worker du code de retour (0 terminé, 1 échec, 2 configuration invalide, 3 annulé, 4 arrêt demandé donc interrompu et reprenable). Au rechargement, aidge_in_space.codecs.balle2017 regroupe les checkpoints en une série par architecture et par nom de run.

Mode d'emploi pour l'équipe : docs/guide_interface.md. Conception détaillée : docs/conception_entrainement.md.

Ajouter un algorithme

Créer un fichier dans aidge_in_space/codecs/ avec une fonction codecs() qui renvoie des instances de Codec.
Implémenter levels(mode) (du plus bas au plus haut débit) et run(img, level, mode, backend, real_rate).
Pour un réseau, hériter de LearnedCodec et fournir make_model() et load_weights() ; un nouveau modèle d'entropie se branche par l'attribut coding (sous-classe de LatentCoding).

Le codec apparaît alors dans l'interface, la ligne de commande et les tests.

Conventions de documentation

Docstrings Doxygen en Python : elles commencent par """! et utilisent @brief, @param, @return, @throws. Les constantes et attributs se documentent par un commentaire ## sur la ligne précédente.