add docs

.gitlab-ci.yml

@@ -70,7 +70,6 @@ install-npm-packages:
 
 lint-back:
   stage: test
-  allow_failure: true
   before_script:
     - python3 -m venv venv/
     - source venv/bin/activate
@@ -82,7 +81,6 @@ lint-back:
 lint-front:
   image: node:14.6.0
   stage: test
-  allow_failure: true
   script:
     - cd frontend/
     - npm run lint

README.md

-**README**
-==========
-# Run the server-side FastAPI app
-## In development mode
-Using the template files, you first need to create backend/.env and backend/cameras.py.
-You can start a virtual environment with the following instructions.
-
-```sh
-$ cd backend
-$ python3.9 -m venv env
-$ source env/bin/activate
-```
-
-Then you need to install the dependencies by executing `pip install -r requirements.txt`  
-Comment the app service in the docker-compose.yml then build and run the file.  
-Start the development server running `python -m uvicorn main:app --reload --port=3001 --host 0.0.0.0`
-
-Navigate to [http://localhost:3001](http://localhost:3001)
+# **Eatfast**
+Eatfast is a website developed by ViaRézo for monitoring the waiting time in CROUS restaurants.
 
 <br/>
 
-### *Le linter*
-So the new commits can be deployed, you'll need to use the linter from backend :  
-`pycodestyle --config=./setup.cnf --exclude=./env ./`  
-You can use autoformat with autopep8 running :  
-`autopep8 --in-place --global-config=./setup.cnf --recursive --exclude=./env --aggressive ./`
+## **Installation**
+Use the template files in ./backend and ./frontend to define the configuration and environment variables.
 
 <br/>
 
-## In production mode
-Build the docker image : `docker-compose build`  
-Run the server, `docker-compose up -d`
+### **In development mode**
 
-<br/>  
+#### **Run the backend server**
+Start the mysql container  
+`docker run -p 3306:3306 --env-file .env -d mysql:latest mysqld --default-authentication-plugin=mysql_native_password`  
+Build and start the tensorflow/serving container  
+`docker build -t model -f ./Dockerfile-model . && docker run -p 8501:8501 --env MODEL_NAME=model -d model`  
+Form ./backend, install the dependencies by executing `pip install -r requirements.txt` and run directly the uvicorn server :  
+`python -m uvicorn main:app --reload --port=3001 --host 0.0.0.0`.  
 
-# Run the client-side React app in a different terminal window:
+<br/>
 
-Using the template file, you first need to create frontend/.env.
+#### **Run the frontend server**
+Open a new terminal and run :
 
 ```sh
 $ cd frontend
 $ npm install
-$ npm run start
+$ npm start
 ```
 
-Navigate to [http://localhost:3000](http://localhost:3000)
+<br/>
+
+### **In production mode**
+From /backend execute `docker-compose build && docker-compose up -d`.  
+From /frontend run `npm run build` and serve the build generated.  
 
 <br/>
 
-# Documentation
+## **Linting**
+So the new commits can be deployed, you need to use the linter for the backend and the frontend.  
+To lint the backend code, run `pycodestyle --config=./setup.cnf ./backend`. To fix the errors, you can use autoformat with autopep8 running `autopep8 --in-place --global-config=./setup.cnf --recursive --aggressive ./`. If you use a virtual environment called env/ you should add `--exclude=./env` in both command so the linter ignore the folder.  
+To lint the frontend, run `npm run lint`. You can fix most of the errors using `npm run format`.
 
-## Algorithm
+<br/>  
 
-The crowd-counting AI model used is based on this repository:
-https://github.com/ZhengPeng7/W-Net-Keras
-The dataset used is ShanghaiTech Part B.
-The model is given a 3-channel image and generates a density map of half the size of the input image.
-The estimated number of people is obtained by summing on all pixels of the density map.
+## **Contributing**
+If you would like to contribute, contact us at support@ml.viarezo.fr.
 
 <br/>
 
-# TODO
-## Coté algo
-- Accéder à d'autre infos telle que l'API des cours sur demande à la DISI pour intégrer ça aux prédictions (ex: cours en promo complète juste implique plus d'attente)
-
-## Coté dev
-- Protéger l'interface OpenAPI et mettre en place une interface admin pour les news et potentiellement modération (avec authentification)
-- Permettre de définir les masques proprement et de manière à pouvoir généraliser à d'autre RU
-- Accorder la charte graphique si le service est intégré à d'autres appli (bordeau/blanc service de CS, charte graphique de VR)
-- Réfléchir au système d'authentification, pour juste des commentaires l'authentification ViaRézo suffit mais CAS plus général dans les universités ou Shibboleth avec Renater
-
-## Coté camera et réseau
-- Recherche d'un meilleur modèle de caméra par rapport aux contraintes réseau, d'angle de vue, de qualité d'image
-- Démarches pour mettre en place les caméras et config réseau
-
-## Coté com et récolte des données
-- Préparer la com pour la mise en place : mail NL, affiches, panneaux numérique DPIET
-- Exploitation des données après récupération : visualisation et stratégie d'adaptation du modèle
-- Réfléchir à un nom pour le service
-- Motiver des gens à reprendre le projet
-
-## Documentation
-- Documenter le projet au maximum
-- Réfléchir à opensourcer (ça peut permettre d'étendre plus facilement à d'autre RU)
-
-## Déploiement
-- Monitorer la VM de prod avec Datadog
-- Écrire un rôle Ansible de déploiement en prod
-- Monitorer la VM de staging avec Datadog
-- Écrire un rôle Ansible de déploiement en staging
+## **License**
+The project doesn't have any license. However, the crowd-counting AI model used is based on this repository:
+https://github.com/ZhengPeng7/W-Net-Keras. The dataset used is ShanghaiTech Part B.
+The model is given a 3-channel image and generates a density map of half the size of the input image.
+The estimated number of people is obtained by summing on all pixels of the density map.

TODO.md

+# TODO
+## Coté algo
+- Accéder à d'autre infos telle que l'API des cours sur demande à la DISI pour intégrer ça aux prédictions (ex: cours en promo complète juste implique plus d'attente)
+
+## Coté dev
+- Accorder la charte graphique si le service est intégré à d'autres appli (bordeau/blanc service de CS, charte graphique de VR)
+- Réfléchir au système d'authentification, pour juste des commentaires l'authentification ViaRézo suffit mais CAS plus général dans les universités ou Shibboleth avec Renater
+
+## Coté camera et réseau
+- Démarches pour mettre en place les caméras et config réseau
+
+## Coté com et récolte des données
+- Préparer la com pour la mise en place : mail NL, affiches, panneaux numérique DPIET
+- Exploitation des données après récupération : visualisation et stratégie d'adaptation du modèle
+- Réfléchir à un nom pour le service
+- Motiver des gens à reprendre le projet
+
+## Documentation
+- Documenter le projet au maximum
+- Réfléchir à opensourcer pour étendre plus facilement à d'autre RU
+
+## Déploiement
+- Monitorer la VM de prod avec Datadog
+- Écrire un rôle Ansible de déploiement en prod
+- Monitorer la VM de staging avec Datadog
+- Écrire un rôle Ansible de déploiement en staging