AI Product Photo Detector

Metric	Value
Accuracy	92.8%
F1-Score	93.1%
Precision	92.5%
Recall	93.7%
Inference Latency	131ms

The best performing model (Run 3, lr=3e-4) was promoted to production through the MLflow model registry. A quality gate enforces minimum thresholds of accuracy ≥ 0.85 and F1 ≥ 0.80 before any model can be deployed.

Métrique	Valeur
Accuracy	92.8%
F1-Score	93.1%
Precision	92.5%
Recall	93.7%
Latence d'inférence	131ms

Le modèle le plus performant (Run 3, lr=3e-4) a été promu en production via le registre de modèles MLflow. Un quality gate impose des seuils minimaux d'accuracy ≥ 0.85 et de F1 ≥ 0.80 avant tout déploiement.

The pipeline follows a linear flow from data to production monitoring: Data (DVC + GCS) → Training (PyTorch) → Registry (MLflow) → Package (Docker) → Infra (Terraform) → CI/CD (GitHub Actions) → Deploy (Cloud Run) → Serve (FastAPI) → Monitor (Prometheus + Grafana) Each stage is automated and version-controlled. DVC tracks dataset versions in Google Cloud Storage, MLflow records every training run, Docker packages the model and API, Terraform provisions cloud infrastructure, GitHub Actions orchestrates testing and deployment, and Prometheus collects production metrics.

Le pipeline suit un flux linéaire de la donnée au monitoring en production : Données (DVC + GCS) → Entraînement (PyTorch) → Registre (MLflow) → Packaging (Docker) → Infra (Terraform) → CI/CD (GitHub Actions) → Déploiement (Cloud Run) → Serving (FastAPI) → Monitoring (Prometheus + Grafana) Chaque étape est automatisée et versionnée. DVC suit les versions du dataset dans Google Cloud Storage, MLflow enregistre chaque run d'entraînement, Docker package le modèle et l'API, Terraform provisionne l'infrastructure cloud, GitHub Actions orchestre les tests et le déploiement, et Prometheus collecte les métriques de production.

The classification pipeline is built on EfficientNet-B0 with transfer learning:

• Base Model -- EfficientNet-B0 pretrained on ImageNet (5.3M parameters)
• Custom Head -- Dropout (0.3) + Linear layer for binary classification
• Explainability -- Grad-CAM generates visual heatmaps highlighting the regions driving each prediction

Training Configuration

Parameter	Value
Dataset	CIFAKE (CIFAR-10 + Stable Diffusion)
Architecture	EfficientNet-B0
Optimizer	AdamW (weight decay)
Scheduler	CosineAnnealingLR
Best Learning Rate	3e-4 (Run 3)
Parameters	5.3M (transfer learning)

Le pipeline de classification repose sur EfficientNet-B0 avec transfer learning :

• Modèle de Base -- EfficientNet-B0 pré-entraîné sur ImageNet (5.3M paramètres)
• Tête Personnalisée -- Dropout (0.3) + couche linéaire pour la classification binaire
• Explicabilité -- Grad-CAM génère des heatmaps visuelles mettant en évidence les régions déterminantes pour chaque prédiction

Configuration d'Entraînement

Paramètre	Valeur
Dataset	CIFAKE (CIFAR-10 + Stable Diffusion)
Architecture	EfficientNet-B0
Optimiseur	AdamW (weight decay)
Scheduler	CosineAnnealingLR
Meilleur Learning Rate	3e-4 (Run 3)
Paramètres	5.3M (transfer learning)

Data Versioning

DVC (Data Version Control) manages dataset versions with remote storage on Google Cloud Storage. Dataset changes are tracked alongside code in Git, ensuring full reproducibility.

Experiment Tracking

MLflow manages the complete experiment lifecycle:

• Metrics Logging -- Loss, accuracy, F1-score, precision, recall per epoch
• Model Registry -- Version control with staging/production promotion
• Artifact Storage -- Model weights, confusion matrices, training curves, Grad-CAM samples
• Hyperparameter Tracking -- Learning rate, batch size, augmentation config, optimizer settings

Training Modes

Mode	Environment	Use Case
Local / Docker	Local machine or Docker container	Development and quick iterations
Google Colab	Cloud notebook with free GPU	Prototyping with GPU acceleration
Vertex AI	Google Cloud managed training	Production training at scale

Grad-CAM Explainability

Every prediction can include a Grad-CAM heatmap overlay via the /predict/explain endpoint, showing which image regions contributed most to the classification decision.

Versionnage des Données

DVC (Data Version Control) gère les versions du dataset avec un stockage distant sur Google Cloud Storage. Les modifications du dataset sont suivies aux côtés du code dans Git, garantissant une reproductibilité totale.

Suivi des Expériences

MLflow gère le cycle de vie complet des expériences :

• Journalisation des Métriques -- Loss, accuracy, F1-score, precision, recall par époque
• Registre de Modèles -- Contrôle de version avec promotion staging/production
• Stockage d'Artefacts -- Poids du modèle, matrices de confusion, courbes d'entraînement, échantillons Grad-CAM
• Suivi des Hyperparamètres -- Learning rate, taille de batch, configuration de l'augmentation, paramètres de l'optimiseur

Modes d'Entraînement

Mode	Environnement	Cas d'usage
Local / Docker	Machine locale ou conteneur Docker	Développement et itérations rapides
Google Colab	Notebook cloud avec GPU gratuit	Prototypage avec accélération GPU
Vertex AI	Entraînement managé Google Cloud	Entraînement de production à grande échelle

Explicabilité Grad-CAM

Chaque prédiction peut inclure une heatmap Grad-CAM via l'endpoint /predict/explain, montrant quelles régions de l'image ont le plus contribué à la décision de classification.

FastAPI serves the model with a production-grade endpoint architecture:

Endpoint	Method	Description
/predict	POST	Single image classification with confidence score
/predict/batch	POST	Batch prediction for multiple images
/predict/explain	POST	Prediction with Grad-CAM heatmap overlay
/health	GET	Health check and model status
/metrics	GET	Prometheus-compatible metrics

The API includes a JWT authentication pipeline and configurable rate limiting to prevent abuse in production.

FastAPI sert le modèle avec une architecture d'endpoints de niveau production :

Endpoint	Méthode	Description
/predict	POST	Classification d'une image avec score de confiance
/predict/batch	POST	Prédiction par lots pour plusieurs images
/predict/explain	POST	Prédiction avec heatmap Grad-CAM
/health	GET	Vérification de l'état de santé et statut du modèle
/metrics	GET	Métriques compatibles Prometheus

L'API intègre un pipeline d'authentification JWT et un rate limiting configurable pour prévenir les abus en production.

Terraform

Infrastructure is defined as code across 5 modules managing 2 environments (dev and prod):

Module	Purpose
Cloud Run	Serverless container deployment
IAM	Service accounts and permissions
Monitoring	Alert policies and notification channels
Networking	VPC and firewall rules
Storage	GCS buckets for data and artifacts

Docker Compose

The local development stack runs 5 services:

Service	Port	Purpose
FastAPI	8000	Inference API
MLflow	5000	Experiment tracking UI
Streamlit	8501	Web prediction interface
Prometheus	9090	Metrics collection
Grafana	3000	Monitoring dashboards

Cloud Run Deployment

Production deployment targets Google Cloud Run with auto-scaling, HTTPS, and custom domain configuration. Total infrastructure cost is kept under $0.50/month through Cloud Run's scale-to-zero capability and efficient resource allocation.

Terraform

L'infrastructure est définie en code à travers 5 modules gérant 2 environnements (dev et prod) :

Module	Fonction
Cloud Run	Déploiement serverless de conteneurs
IAM	Comptes de service et permissions
Monitoring	Politiques d'alerte et canaux de notification
Networking	VPC et règles de pare-feu
Storage	Buckets GCS pour les données et artefacts

Docker Compose

Le stack de développement local fait tourner 5 services :

Service	Port	Fonction
FastAPI	8000	API d'inférence
MLflow	5000	Interface de suivi des expériences
Streamlit	8501	Interface web de prédiction
Prometheus	9090	Collecte de métriques
Grafana	3000	Tableaux de bord de monitoring

Déploiement Cloud Run

Le déploiement en production cible Google Cloud Run avec auto-scaling, HTTPS et configuration de domaine personnalisé. Le coût total de l'infrastructure est maintenu sous 0.50$/mois grâce à la capacité de scale-to-zero de Cloud Run et une allocation efficace des ressources.

GitHub Actions automates the full build-test-deploy cycle with 5 workflows:

CI Pipeline

• Ruff -- Python linting and formatting checks
• mypy -- Static type checking
• pytest -- 316 tests across unit, integration, and E2E levels
• CodeQL -- Security vulnerability scanning
• Docker -- Container build and validation

CD Pipeline

• Auto-deploy -- Triggered on merge to main after CI passes
• Smoke Test -- Post-deployment health and prediction validation
• Rollback -- Automatic rollback on failed smoke tests
• Quality Gate -- Model accuracy ≥ 0.85 and F1 ≥ 0.80 enforced before deployment

GitHub Actions automatise l'intégralité du cycle build-test-deploy avec 5 workflows :

Pipeline CI

• Ruff -- Linting et vérification du formatage Python
• mypy -- Vérification statique des types
• pytest -- 316 tests couvrant les niveaux unitaire, intégration et E2E
• CodeQL -- Analyse de vulnérabilités de sécurité
• Docker -- Build et validation du conteneur

Pipeline CD

• Déploiement automatique -- Déclenché lors du merge sur main après validation CI
• Smoke Test -- Validation post-déploiement de la santé et des prédictions
• Rollback -- Retour automatique en cas d'échec des smoke tests
• Quality Gate -- Accuracy du modèle ≥ 0.85 et F1 ≥ 0.80 imposées avant déploiement

Prometheus Metrics

20+ custom metrics tracked in production:

• Request metrics -- Latency histograms, throughput counters, error rates
• Model metrics -- Prediction confidence distribution, class balance
• System metrics -- Memory usage, active requests, queue depth
• Drift metrics -- Feature distribution shifts detected via statistical tests

Alert Rules

13 alert rules configured across categories:

• Availability -- Service down, health check failures
• Performance -- Latency spikes, error rate thresholds
• Model -- Prediction drift, confidence anomalies
• Infrastructure -- Resource saturation, container restarts

Grafana Dashboards

Pre-configured dashboards for API performance, model behavior, and infrastructure health with automatic alerting via notification channels.

Métriques Prometheus

20+ métriques personnalisées suivies en production :

• Métriques de requêtes -- Histogrammes de latence, compteurs de débit, taux d'erreur
• Métriques du modèle -- Distribution de confiance des prédictions, équilibre des classes
• Métriques système -- Utilisation mémoire, requêtes actives, profondeur de file
• Métriques de dérive -- Changements de distribution des features détectés via des tests statistiques

Règles d'Alerte

13 règles d'alerte configurées dans plusieurs catégories :

• Disponibilité -- Service hors service, échecs de health check
• Performance -- Pics de latence, seuils de taux d'erreur
• Modèle -- Dérive des prédictions, anomalies de confiance
• Infrastructure -- Saturation des ressources, redémarrages de conteneurs

Tableaux de Bord Grafana

Tableaux de bord préconfigurés pour la performance API, le comportement du modèle et la santé de l'infrastructure avec alertes automatiques via les canaux de notification.

The entire production deployment runs at under $0.50/month:

Resource	Cost
Cloud Run	~$0.00 (scale-to-zero, free tier)
GCS Storage	~$0.01 (small dataset and artifacts)
Container Registry	~$0.10 (image storage)
Monitoring	~$0.00 (free tier)
Total	< $0.50/month

L'ensemble du déploiement en production fonctionne à moins de 0.50$/mois :

Ressource	Coût
Cloud Run	~0.00$ (scale-to-zero, offre gratuite)
GCS Storage	~0.01$ (dataset et artefacts de petite taille)
Container Registry	~0.10$ (stockage des images)
Monitoring	~0.00$ (offre gratuite)
Total	< 0.50$/mois