conversion/README.md

# Reconstruction des modèles FireViewer

Les artefacts publiés sont directement exécutables sur Android ; ces outils servent à reconstruire les conversions sur Linux. L'environnement de production des fichiers est enregistré dans `reports/environments/`. Les révisions HF immuables, empreintes, labels, grilles et normalisations sont dans chaque `runtime_contract.json` et `source.json`.

Le dossier de travail des scripts est `/workspace/vds-litert-batch2`. Copier le contenu de `conversion/` à cet emplacement et recréer les environnements Python avec les versions enregistrées. Les poids sources se placent sous `models/upstream/<key>/` à partir des dépôts HF et révisions des contrats. Utiliser l'authentification HF habituelle ; aucun secret n'est livré.

Routes utilisées :

| Modèle | Réseau figé | Apprentissage |
|---|---|---|
| YOLO11M | ONNX source, conversion H/W dynamiques dans `dynamic_hf_worker.py` | `build_trainable_detector.py` |
| RF-DETR Medium | adaptateur officiel dans `package/scripts/convert_batch2.py`, via `prepare_learning_backbone.py` | `build_trainable_detector.py` |
| RT-DETRv2 R50 | `finish_fire_backbone.py`, grille source 768 × 768, TopK natif et positions pré-calculées | `build_trainable_detector.py` |
| DINOv3 | adaptateur source dans `package/scripts/convert_batch2.py`, contrôle `check_dinov3_source_parity.py` | `build_trainable_fire_multitask.py` |
| D-FINE-M | `convert_dfine_final.py`, détails de conservation mémoire dans le rapport de parité | `build_trainable_detector.py` |

`merge_training_graph.py` partage les poids figés entre les signatures et ajoute le redimensionnement interne pour les grilles fixes. Les scripts de construction écrivent un modèle initialisé avec la tête identité puis exécutent séparément les mises à jour de test. Les poids entraînés sur ces exemples synthétiques ne sont pas enregistrés dans le fichier modèle de livraison.

Pour les détecteurs, copier le `source.json` de `reports/<key>/` dans `learning/<key>/source.json`, puis exécuter avec TensorFlow 2.19 :

```sh
/opt/vds-tf/bin/python build_trainable_detector.py <key>
```

Pour DINOv3 :

```sh
/opt/vds-tf/bin/python build_trainable_fire_multitask.py
```

`check_fire_runtime216.py <key> ...` exécute ensuite les mises à jour, checkpoints et reprises avec TensorFlow Lite 2.16.1 sur Linux, la version des dépendances Android. Les tests Android utilisent le SDK et le programme de `android/` ; ils sont identifiés séparément dans les rapports. Les tests de parité comparent les conversions aux modèles source avant toute adaptation. Ne pas publier une conversion qui échoue à ces contrôles.

Les scripts de publication de la session utilisent le fichier d'authentification local `/workspace/.secrets/hf_token`. Ce chemin est une configuration de l'exécution, pas un secret inclus dans les artefacts. Le dépôt cible conserve sa visibilité existante.