---
language:
- en
- fr
license: mit
datasets:
- UMA-IA/PYXIS-Engine-v1
base_model: Qwen/Qwen2.5-VL-7B-Instruct
tags:
- aerospace
- aeronautics
- engineering
- vision-language
- component-detection
pipeline_tag: image-to-text
---

## 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](https://huggingface.co/Qwen/Qwen2.5-VL-7B-Instruct)  
**Fine-tuned Dataset:** [UMA-IA/PYXIS-Engine-v1](https://huggingface.co/datasets/UMA-IA/UMA_Dataset_Engine_Aero_VLM)  
**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 :

```python
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)