b8777d7739
* Copy original README for online editing * Translate to french * Add link from other documentations * Add machine-learning french doc * Typos * Missing word --------- Co-authored-by: Alexandre Bouijoux <alexandre@bouijoux.fr>
1.7 KiB
Immich Apprentissage machine
- Classification d'images
- Embarquement de CLIP
- Reconnaissance faciale
Mise en place
Ce projet utilise Poetry, donc soyez certain de l'installer en premier.
Exécuter poetry install --no-root --with dev installera tout ce dont vous avez besoin dans un environnement virtuel isolé.
Pour ajouter ou supprimer des dépendances, vous pouvez utiliser les commandes poetry add $PACKAGE_NAME et poetry remove $PACKAGE_NAME respectivement.
Soyez sûr de commit les fichiers poetry.lock et pyproject.toml pour refléter les changements de dépendances.
Test de charge
Pour mesurer le débit d'inférence et la latence, vous pouvez utiliser Locust avec le fichier fourni locustfile.py.
Locust fonctionne en interrogeant les endpoints des modèles et en aggrégeant leurs statistiques, signifiant que l'application doit être déployée.
Vous pouvez exécuter load_test.sh pour automatiquement déployer l'application localement et démarrer Locust, en ajustant si besoin ses variables d'environnement.
En alternative, pour réaliser plus de tests customisés, vous pourriez aussi exécuter locust directement : voir la documentation. Notez que dans le jargon de Locust, la concurrence est mesurée en users et que chaque user exécute une tâche après l'autre. Pour parvenir à une concurrence par endpoint, multipliez ce nombre par le nombre d'endpoints à interroger. Par exemple, s'il y a 3 endpoints et que vous voulez que chacun d'entre eux reçoive 8 requêtes à la fois, vous devrez mettre ce nombre d'users à 24.