Detectron2 Web Manager est une application web open source pour orchestrer, configurer, lancer et suivre des entraînements de modèles Detectron2. Elle vise à rendre le deep learning accessible, pédagogique et collaboratif, tout en offrant une gestion professionnelle des datasets, des modèles et des jobs d’entraînement.
- Gestion avancée des datasets : Ajout, édition, visualisation, documentation intégrée sur les formats (YOLO, COCO…), visualisation rapide des images et classes.
- Gestion complète des modèles : Suivi des modèles, versionning, archivage des augmentations, accès rapide aux poids.
- Orchestration et suivi des entraînements : Lancement et suivi de plusieurs jobs Detectron2 en parallèle, suivi en temps réel, historique complet.
- Interface pédagogique : Explications intégrées, guides, onboarding.
- Design moderne et professionnel : UI/UX soignée, responsive, dark/light mode.
- Frontend : React + Material UI
- Backend : FastAPI (Python), orchestration Detectron2, gestion des fichiers et métadonnées
- Base de données : SQLite (par défaut, extensible)
- Documentation : Markdown professionnelle, guides d’utilisation, contribution, API
backend/ # API FastAPI, gestion jobs, datasets, modèles
frontend/ # Application React (UI/UX)
docs/ # Documentation détaillée
README.md # Présentation, badges, guides rapides
LICENSE # Licence open source
- Python 3.8+
- NodeJS 18+
- Detectron2 installé côté backend en mode développement (voir instructions ci-dessous)
- uv pour la gestion rapide des venv
cd backend
uv venv uitron2
source uitron2/bin/activate
uv pip install -r requirements.txt# Depuis la racine de votre workspace
cd ..
git clone https://github.com/facebookresearch/detectron2.git
cd detectron2
pip install -e .
cd ../uitron2/backendRemarque importante :
- Pour les GPU RTX 5090, PyTorch >= 2.8 est requis pour une compatibilité complète (support CUDA le plus récent).
- Installez PyTorch avant Detectron2, en suivant les instructions officielles : https://pytorch.org/get-started/locally/
- Attention : Les versions PyTorch >= 2.8 sont actuellement disponibles uniquement en nightly build ou via l'option
--pre.- Exemple pour CUDA 12.8 et PyTorch >= 2.8 :
uv pip install --pre 'torch>=2.8' torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu128- Consultez la page officielle des nightlies pour plus d'options : https://pytorch.org/get-started/locally/#start-locally-nightly
- Note : Les versions nightly peuvent être moins stables que les releases officielles. À utiliser en connaissance de cause.
- Après installation de PyTorch, installez Detectron2 en mode développement comme ci-dessus.
- Pour plus de détails, consultez la documentation officielle.
cd frontend
npm install
npm startcd backend
source uitron2/bin/activate
uvicorn main:app --reload- L’API FastAPI sera disponible sur http://localhost:8000
- Documentation interactive : http://localhost:8000/docs
cd frontend
npm start- L’application web sera accessible sur http://localhost:3000
- Uploader un dataset via l’onglet « Datasets ».
- Créer un modèle dans l’onglet « Models ».
- Lancer un entraînement dans l’onglet « Jobs ».
- Suivre l’entraînement en temps réel (logs, métriques, graphiques interactifs).
- Exporter les résultats (modèles, métriques, logs).
Pull Requests, issues, suggestions et contributions sont les bienvenues ! Merci de lire CONTRIBUTING.md avant de proposer une PR.
Ce projet est sous licence MIT.
Rejoignez-nous sur Discord, Github Discussions, et suivez les releases !
Made with ❤️ for the AI and open source community.
- Ajoutez vos propres modèles Detectron2 dans
backend/models/ - Consultez les exemples dans
examples/(à venir) - Personnalisez la configuration via des variables d’environnement (voir docs/USAGE.md)
- Consultez la section « Dépannage » en cas de problème
Detectron2 Web Manager est une application web open source pour gérer, configurer, lancer et suivre des entraînements de modèles Detectron2. Elle vise à rendre l’IA accessible, pédagogique et collaborative, tout en offrant une gestion professionnelle des datasets, des modèles et des jobs d’entraînement.
- Gestion avancée des datasets : Ajout, édition, visualisation, documentation intégrée sur les formats (YOLO, COCO, etc.), visualisation rapide des images et classes.
- Gestion complète des modèles : Suivi des modèles en cours d’entraînement, versionning, archivage des data augmentations, accès rapide aux poids.
- Orchestration et suivi des entraînements : Lancement et suivi de plusieurs jobs Detectron2 en parallèle, suivi en temps réel, historique complet.
- Interface pédagogique : Explications intégrées sur chaque paramètre/hyperparamètre, guides et onboarding.
- Design moderne et professionnel : UI/UX soignée, responsive, dark/light mode.
- Frontend : React + Material UI
- Backend : FastAPI (Python), orchestration Detectron2, gestion des fichiers et métadonnées
- Base de données : SQLite (par défaut), extensible
- Documentation : Markdown professionnelle, guides d’utilisation, contribution, API
backend/ # API FastAPI, gestion jobs, datasets, modèles
frontend/ # Application React (UI/UX)
docs/ # Documentation détaillée
README.md # Présentation, badges, guides rapides
LICENSE # Licence open source
cd backend
uv venv uitron2
source uitron2/bin/activate
uv pip install -r requirements.txtcd frontend
npm install
npm start- Python 3.8+
- NodeJS 18+
- Detectron2 installé côté backend
- uv installé
- Lancer le backend :
uv venv .venvsource .venv/bin/activateuv pip install -r requirements.txtuvicorn main:app --reload
- Lancer le frontend :
npm start
Pull Requests, issues, suggestions et contributions sont les bienvenues ! Merci de lire CONTRIBUTING.md avant de proposer une PR.
Ce projet est sous licence MIT.
Rejoignez-nous sur Discord, Github Discussions, et suivez les releases !
Made with ❤️ for the AI and open source community.