SpaceEdge AI 🛰️🔥

Détection rapide des feux de forêt à partir d'images satellites avec YOLOv8 et edge computing spatial.

🎯 Objectif

Système de détection de feux de forêt en temps réel à bord de satellites.

Comparaison avec l'approche traditionnelle

Métrique	Bent Pipe (classique)	SpaceEdge AI
Volume downlink	100% des images	< 1% (alertes JSON)
Temps de réaction	4-24 heures	< 30 minutes
Coût downlink	Très élevé (€/Go)	Minimal (€/message)

🚀 Plateformes Cibles

• Loft Orbital: NVIDIA Jetson AGX Orin durci - 30+ FPS
• D-Orbit ION: Unibap iX5-100 / Xilinx Zynq - 15+ FPS

📁 Structure

├── app.py                  # Demo Streamlit
├── models/fire_best.pt     # Modèle entraîné
├── src/                    # Code source
│   ├── config.py          # Configuration
│   ├── preprocessing/     # Cloud masking, spectral
│   ├── detection/         # Détecteur YOLO
│   └── training/          # Entraînement
└── scripts/               # Scripts CLI

🛠️ Installation

git clone https://github.com/DanielMBouyou/EDGESPACE.git
cd EDGESPACE
uv sync  # ou pip install -e .

🏋️ Utilisation

# Demo
streamlit run app.py

# Entraîner
python scripts/train.py --epochs 100

# Benchmark
python scripts/benchmark.py --platform jetson_nano

# Export TensorRT
python scripts/export.py --format engine --int8

⚡ Pipeline

Image → Cloud Mask → YOLOv8-nano → JSON Alert → Downlink

📡 Format d'Alerte

{"sat":"EDGE-SAT-01","ts":1706745600,"p":1,"det":[{"cls":0,"conf":0.92,"box":[120,80,180,140]}]}

📈 Performance

Plateforme	FPS	Latence
Jetson Orin	45	28ms
Jetson Nano	12	95ms

📜 License

MIT - DanielMBouyou