WildAIprint – App Front & API

Application WildAIprint complète (front web + API Flask) connectée au modèle de classification d’empreintes animales.
Soumission d’images, inférence en temps réel, stockage des traces et restitution des informations espèces.

La documentation du projet est répartie sur deux README complémentaires :

• Ce dépôt – WildAIprint App : application front/back (interface + API Flask).
• WildAIprint – Modèle IA : entraînement et export du modèle (model.keras) – github.com/Rateur/WildAIprint-Modele-CNN.

---

Sommaire

1. À propos
   1.1. Pitch & objectifs
   1.2. Documentation projet
2. Technologies & outils
3. Architecture & modules
4. Installation & lancement
5. API & intégration
6. Structure du dépôt
7. CI/CD & qualité

---

À propos

Pitch & objectifs

• Interface web permettant d’uploader une photo d’empreinte et d’obtenir une prédiction instantanée.
• Back-end Flask intégrant le modèle Keras pré-entraîné (ResNet50 fine-tuné).
• Persistance des observations (espèce, localisation, date, image) dans une base SQLite.
• API REST exposant les routes principales : predict, tracks, animals.
• Déploiement local simple via Docker Compose (2 services : front et api).

Documentation projet

• Documentation exhaustive (contexte, parcours utilisateur, choix techniques) :
  Notion – WildAIprint Documentation Projet
• Complément côté IA : voir le dépôt WildAIprint – Modèle IA.

Retour en haut

---

Technologies & outils

HTML5	CSS3	Vanilla JS	Python 3.10+
Flask	Docker	SQLite	Git & CI

• Inference IA : chargement du modèle model.keras (TensorFlow/Keras), mapping class_names.json.
• Suivi : scripts de tests (test_api.py) + pipeline .gitlab-ci.yml.

Retour en haut

---

Architecture & modules

• Front (HTML/CSS/JS) : formulaire d’upload, aperçu de l’image, affichage des prédictions et informations espèces.
• API Flask :
  • route /predict : traitement de l’image, préprocess, inference, réponse JSON enrichie,
  • routes /tracks (POST/GET) : sauvegarde et lecture des observations,
  • route /animals : catalogue des espèces avec métadonnées (infos_especes.csv).
• Persistance : base SQLite wildprint.db initialisée via connection_db.py.
• Containerisation : services frontend et api orchestrés par docker-compose.yml.

utilisateur → front (formulaire, fetch) → API Flask → modèle Keras → réponse JSON → affichage + stockage

Schéma répertoire

/
├── api/
│   ├── app.py
│   ├── connection_db.py
│   ├── class_names.json
│   ├── infos_especes.csv
│   ├── model.keras
│   ├── requirements.txt
│   ├── test_api.py
│   └── Dockerfile
├── front/
│   ├── index.html
│   ├── script.js
│   ├── style.css
│   ├── assets/
│   └── Dockerfile
├── docker-compose.yml
└── README.md

Retour en haut

---

Installation & lancement

1. Pré-requis

• Python 3.10+
• Docker (optionnel mais recommandé pour un lancement rapide)
• Navigateur récent (Chrome/Firefox)

2. Cloner le dépôt

git clone https://github.com/Rateur/wildaiprint-App.git
cd wildaiprint-App

3. Lancement via Docker Compose

docker-compose build
docker-compose up

• Front disponible sur http://localhost:8080
• API accessible sur http://localhost:5000

4. Lancement manuel (sans Docker)

# Back-end
cd api
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
python app.py

# Front-end (depuis la racine ou front/)
python -m http.server 8080

• Adapter le champ API_URL dans front/script.js si l’API tourne sur une autre adresse/port.

Retour en haut

---

API & intégration

Méthode	Endpoint	Content-Type	Corps / Description
POST	/predict	multipart/form-data	Champ image (JPEG/PNG). Retourne l’espèce prédite + métadonnées.
POST	/tracks	application/json	{ "species": "...", "location": "...", "date": "...", "picture": "..." }
GET	/tracks	application/json	Liste paginable des observations stockées dans SQLite.
GET	/animals	application/json	Catalogue des espèces connues (nom, famille, habitat, anecdote).

Exemple de réponse /predict

{
  "animal": {
    "species": "Chat",
    "name": "Felis silvestris",
    "family": "Mammifère",
    "region": "Amérique, Europe, Asie occidentale et Afrique",
    "size": "46 à 51 cm sans la queue",
    "picture": "chat.jpg",
    "description": "Le Chat (Felis silvestris) est une espèce de félins présent dans divers types d'habitats.",
    "funfact": "Un chat ne peut pas voir directement sous son nez !"
  },
  "confidence": 0.87,
  "class_id": 2
}

Retour en haut

---

Structure du dépôt

/
├── api/                  # API Flask + modèle IA + tests
├── front/                # Interface web statique
├── docker-compose.yml    # Orchestration front/api
└── README.md             # Ce guide

• Les artefacts lourds (model.keras, class_names.json, mlruns/) sont ignorés via .gitignore.
• Les notebooks et scripts d’entraînement sont disponibles dans le dépôt IA compagnon.

Retour en haut

---

CI/CD & qualité

• .gitlab-ci.yml : pipeline de build/test (Docker) utilisé sur l’infrastructure GitLab d’origine.
• api/test_api.py : test d’intégration simulant un appel complet à l’API /predict.
• Recommandé : lancer des tests après toute modification backend (pytest api/test_api.py).

Retour en haut