fireviewer/convnext-tiny-alert-categories-litert-cadryl

FireViewer · ConvNeXt-Tiny · Cadryl LiteRT

Conversion Float32 du checkpoint final FireViewer, avec un contrat dédié à Cadryl et des sorties natives entraînables. Les poids PyTorch d’origine sont préservés dans leur dépôt source.

Fichier	Rôle
model.tflite	Inférence et adaptation des sorties natives
android_model_config.json	Prétraitement, classes et signatures Cadryl
artifact_manifest.json	Provenance et résultats des contrôles exécutés dans Colab

Classes

Indice	Classe
0	human_useful_fire
1	domestic_origin
2	suspect_origin
3	fire_road_urban
4	forest_natural_area_wildfire
5	negative

Prétraitement et sortie

Redimensionnement direct RGB à 920 × 920, valeurs entre 0 et 1. La normalisation ImageNet (moyenne 0,485/0,456/0,406 et écart type 0,229/0,224/0,225) est intégrée au graphe. Sortie logits [1, 6] ; softmax effectué par Cadryl.

Portée de l’apprentissage

La LayerNorm et la couche Linear finales du classifieur sont entraînables. Le réseau de caractéristiques reste figé.

Une classe humaine acceptée, encodée one-hot [1, 6]. La perte d’adaptation est l’entropie croisée standard ; les pondérations de classes et le label smoothing du run PyTorch initial ne sont pas repris.

Signatures : infer(x), train(x, y, learning_rate), save(checkpoint_path) et restore(checkpoint_path). SGD sans état de momentum, gradients limités à une norme globale de 5. Le chemin du checkpoint est fourni par l’application. La signature head_state(probe) est réservée aux contrôles des paramètres de sortie ; elle ne prétend pas mesurer un entraînement du backbone.

Contrôles réellement exécutés

• Comparaison PyTorch → TensorFlow → LiteRT sur 4 images réelles du corpus, avec les mêmes tenseurs d’entrée.
• Écart absolu maximal des logits PyTorch/LiteRT : 0.00000429.
• Quatre mises à jour sur une image train : perte 0.090715 → 0.090505, paramètres effectivement modifiés.
• Sauvegarde, restauration, fermeture/réouverture et reprise : réussies ; comparaison des sorties à atol 1e-5 et rtol 1e-5.
• Le fichier distribué conserve les poids initiaux du checkpoint final ; les mises à jour de recette ne sont pas incorporées.

Ces contrôles portent sur la conversion et son mécanisme d’apprentissage. Ils ne constituent pas une nouvelle mesure de précision du modèle. La comparaison utilise le même redimensionnement PIL pour les trois moteurs ; l’équivalence de l’échantillonnage Bitmap Android reste à contrôler sur appareil.

Runtime et limites

Cible Cadryl : LiteRT Interpreter 1.4.2 + Select TF Ops 2.16.1, avec délégué Flex pour la sauvegarde/restauration. Conversion et exécution vérifiées dans Colab avec TensorFlow 2.16.1. Exécution native dans l’application, mémoire, latence, batterie et qualité après adaptation : à qualifier sur appareil Android. Ne pas présenter les six catégories de contexte comme une échelle numérique de danger.

Provenance

Checkpoint source — révision 82d7af7e8f1e0126309f26b19c285b26909a5acb, SHA-256 21edcad71aa4d74ec392956a8bbbb63fb2db34840ed0fbdc72f6ceb9daa2fb6d. Le manifeste fixe également la révision du corpus et les signatures exportées.