UMA-VLM-Engine-v1

Model Details

Model Name: UMA-IA/AQUILA-Engine-v1 Authors:

• Youri LALAIN, Engineering student at French Engineering School ECE
• Lilian RAGE, Engineering student at French Engineering School ECE

Base Model: Qwen/Qwen2.5-VL-7B-Instruct
Fine-tuned Dataset: UMA-IA/PYXIS-Engine-v1
License: Apache 2.0

Model Description

Qwen2.5-VL Fine-tuned pour la détection de composants de moteurs aérospatiaux

UMA-IA/AQUILA-Engine-v1 est une version spécialisée du modèle Qwen2.5-VL-7B-Instruct, fine-tunée pour détecter, identifier et analyser les composants de moteurs aéronautiques et aérospatiaux à partir d'images. Le modèle exploite le dataset UMA-IA/PYXIS-Engine-v1 pour améliorer sa capacité à reconnaître les pièces spécifiques, les défauts potentiels et les caractéristiques techniques des systèmes de propulsion.

Capacités

• Détection et identification précise des composants de moteurs aéronautiques
• Analyse visuelle des pièces mécaniques et de leur état
• Reconnaissance des défauts ou anomalies sur les composants
• Fourniture d'informations techniques sur les pièces identifiées
• Assistance au diagnostic visuel pour la maintenance

Cas d'utilisation

• Formation des techniciens et ingénieurs aéronautiques
• Assistance à la documentation technique
• Aide visuelle

Détails de l'entraînement

Ce modèle a été fine-tuné sur UMA-IA/PYXIS-Engine-v1, un dataset spécialement créé pour l'identification visuelle de composants de moteurs aérospatiaux. L'entraînement a été réalisé en utilisant des techniques de fine-tuning supervisé pour adapter le modèle Qwen2.5-VL à la reconnaissance de composants techniques spécifiques.

Comment utiliser le modèle

Vous pouvez charger le modèle en utilisant la bibliothèque transformers de Hugging Face :

from transformers import AutoModelForCausalLM, AutoTokenizer
from PIL import Image
import requests
from io import BytesIO

# Charger le modèle et le tokenizer
model_name = "UMA-IA/AQUILA-Engine-v1"
model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)

# Charger une image (exemple avec une URL)
image_url = "URL_DE_VOTRE_IMAGE"
response = requests.get(image_url)
image = Image.open(BytesIO(response.content))

# Préparer la requête
prompt = "Identifiez les composants visibles dans cette image de moteur d'avion et décrivez leur fonction."
response = model.chat(tokenizer, query=prompt, image=image)
print(response)