Aller au contenu
Retour aux projetsjulyanOS
Projet scolaire / SAEEn cours
Dépôt privé

FaceLog

Application de bureau qui automatise l'appel en début de séance : l'enseignant balaie la salle avec une caméra, le système reconnaît les étudiants présents et calcule les retards. SAE en équipe, dont je suis le Product Owner.

Période
Septembre 2026 - avril 2027
Cadre
Projet scolaire
Équipe
Équipe de 5
Rôle
Product Owner
Lecture
environ 3 min
  • Benchmark : EER de 1,7 % (YuNet + SFace, jeu LFW)
  • Descripteur : ~7 ms en Java contre ~276 ms en WebAssembly
~/stack.json
"Interface":
Electron (HTML/CSS/JS)
"Reconnaissance":
Addon C++ (OpenCV, YuNet + SFace)
"Données":
SQLite, 100 % local
"Gestion de projet":
Jira (Scrum, 8 Epics)

🚧 Projet en cours de développement

Le cadrage est terminé (analyse, backlog, maquettes, cadre légal) et l'équipe est en train de livrer un premier prototype limité à la reconnaissance. Cette page sera complétée au fil de l'avancement (captures, fonctionnalités, dépôt) plutôt que présentée comme terminée avant de l'être.

Contexte

Le département Informatique veut accélérer l'appel, aujourd'hui entièrement manuel. FaceLog s'appuie sur un flux vidéo (par exemple un smartphone utilisé comme caméra) : l'enseignant obtient un récapitulatif des présents et des absents qu'il peut corriger avant de valider, et un scan individuel permet d'enregistrer un retardataire avec son retard calculé automatiquement. L'application a un seul utilisateur, l'enseignant, sans compte, sur son propre poste. Le projet est mené en Scrum sur Jira, avec un backlog de 8 Epics et des user stories documentées jusqu'aux scénarios Gherkin.

100 % local par conception

Pas de serveur : les données restent sur le poste de l'enseignant, déverrouillées par une passphrase, et l'enseignant transmet lui-même les exports à la scolarité.

Cadre légal intégré au backlog

Consentement papier, chiffrement local et conservation limitée sont des user stories à part entière, pas des détails ajoutés en fin de projet.

Architecture retenue

  1. Flux vidéocaméra, par exemple un smartphone
  2. Addon C++ OpenCVdétection YuNet, reconnaissance SFace
  3. Interface Electronrécapitulatif présents / absents, corrections
  4. SQLite localdonnées biométriques chiffrées par passphrase
Schéma illustratif, construit à partir des composants décrits sur cette page.

Tests et mesures

  • Qualité : YuNet + SFace sur le jeu public LFW (40 personnes, 161 images) : EER 1,7 %, FAR 0,17 % et FRR 4 % au seuil 0,363.
  • Sans détection ni alignement, l'EER passe de 1,7 % à 20,5 % : les deux étapes sont indispensables.
  • Vitesse d'extraction d'un descripteur : environ 7 ms par image en Java, contre environ 276 ms en JavaScript (WebAssembly).

Ce que j'ai appris

Un visage est une donnée sensible : le RGPD se traite à la conception

Plutôt que d'ajouter des garde-fous à la fin, le cadre légal (RGPD, CNIL) a dicté l'architecture : tout reste sur le poste de l'enseignant, sans serveur, les données biométriques sont chiffrées avec une clé dérivée d'une passphrase jamais enregistrée, et l'accord de l'étudiant est recueilli sur papier. Une note de veille juridique a aussi tranché la différence entre un prototype légitime et un déploiement réel.

Mesurer avant de justifier un choix technique

Le benchmark (même chaîne, mêmes images, mêmes seuils) montre que la détection et l'alignement sont indispensables : sans eux, l'EER passe de 1,7 % à 20,5 %. Il montre aussi que le JavaScript (WebAssembly) est environ 37 fois plus lent que Java pour extraire un descripteur, alors que la comparaison elle-même est équivalente : l'écart justifie un addon natif pour la reconnaissance.

Piloter une équipe en tant que Product Owner

Mon rôle porte sur le quoi et le pourquoi : analyse (cas d'utilisation, séquences, BPMN), backlog Jira, maquettes, priorisation et décisions de périmètre (premier prototype limité à la reconnaissance, un seul utilisateur : l'enseignant, sans compte), et validation de ce qui est livré.