Détection de Maladies Pulmonaires par IA

Projet T-DEV-810-LYO_18 - Epitech Entraînement d'un modèle d'Intelligence Artificielle pour indentifier de maladies pneumonie virale ou bacteriale à partir d'une radiologie. Projet Zoidberg 2.0

Date de rendu : 2026-06-14 à 23h42

---

Installation & Lancement

Suivez ces étapes pour configurer votre environnement local et lancer le projet.

1. Cloner le dépôt

git clone https://github.com/EpitechMscProPromo2027/T-DEV-810-LYO_18.git
cd T-DEV-810-LYO_18

2. Configurer l'environnement virtuel

Il est indispensable d'utiliser un environnement virtuel pour isoler les dépendances.

# Création de l'environnement virtuel (meme cmd pour ts les OS)
python3 -m venv venv

# Activation de l'environnement sur Linux/Mac
source venv/bin/activate

# Activation de l'environnement sur Windows
venv\Scripts\activate

3. Installer les dépendances

# Mise à jour de pip sur Linux/Mac
pip install --upgrade pip

# Mise à jours de pip sur window 
python.exe -m pip install --upgrade pip

# Installer les paquets requis (Verifiez que l'environnement venv est actif)
pip install -r requirements.txt

4. Créer les dossiers requis

# Création des dossiers requis
mkdir data
mkdir data/processed
mkdir data/raw

Dans le dossier data/raw/ vous devez déposer les dossiers contenant les images qui servirons à l'entraînement du modèle. (Voir le lien du téléchargement plus bas)

Ca doit ressembler à ça : ├── data/ │ ├── processed/ │ └── raw/
│ │ ├── test/ # Dossier récupéré du datasets (sharepoint) │ │ ├── train/ # Dossier récupéré du datasets (sharepoint) │ │ └── val/ # Dossier récupéré du datasets (sharepoint)

5. Activer le Karnel Jupyter

Allez dans le dossier notebooks/ et ouvrez le fichier main.ipynb. Dans Select Kernel en haut à droite, sélectionnez venv (Python 3.12.3).

---

Configuration de l'IDE (VSCode / Jupyter)

Pour que l'environnement soit correctement reconnu par votre éditeur :

Assurez-vous d'avoir installé les extensions suivantes :

• Python (inclut tous les outils nécessaires)
• Jupyter Notebook
• PDF Preview (pour prévisualiser les fichiers PDF)

---

Architecture du Projet

Le projet suit la structure standard pour les projets d'Intelligence Artificielle (Data Science / NLP / Computer Vision) :

├── data/
│   ├── raw/           # Données brutes originales (ex: images xray, textes)
│   └── processed/     # Données nettoyées et préparées pour l'entraînement
├── notebooks/         # Notebooks Jupyter (.ipynb) pour l'exploration et les tests
├── src/               # Code source Python réutilisable (.py)
├── models/            # Modèles IA entraînés et sauvegardés
├── docs/              # Documentation et conventions
├── venv/              # Environnement virtuel local (Ignoré par Git)
├── Readme.md          # Présentation du projet
└── requirements.txt   # Liste des dépendances Python

Attention : - Les jeux de données doivent être placés dans data/raw/ ou data/processed/. - Les dossiers de données (data/, xray/, etc.) ainsi que les modèles (models/) ne peuvent pas être commité en vu de leur taille (>100Mo)

---

Liens Utiles & Outils

• Github : Dépôt Officiel
• Notion : Espace de travail T-DEV-810
• Discord : Serveur du groupe
• Datasets : Dossier SharePoint des images
• Gandalf : [SiteWeb Epitech] (https://gandalf.epitech.eu/course/section.php?id=2668)

Zoidberg2.0