Architecture

Cette page fournit un aperçu de l’organisation de la plateforme Avala et de l’interaction entre ses composants.

​

Vue d’ensemble du système

​

Composants

​

Mission Control

Mission Control est l’application web d’Avala sur avala.ai. Elle fournit :

• Visualisation de données — Visualiseurs accélérés par GPU pour explorer les données de capteurs avant, pendant et après l’annotation. Lecture multi-capteurs, rendu de nuages de points 3D et navigation de scènes Gaussian Splat — le tout dans le navigateur.
• Éditeur d’annotation — Outils dédiés pour étiqueter des images, de la vidéo, des nuages de points et des données multi-capteurs avec support des boîtes englobantes, polygones, cuboïdes, segmentation, polylignes et points clés.
• Gestion de projet — Créez et configurez des projets d’annotation, définissez des taxonomies d’étiquettes, assignez du travail aux membres de l’équipe et suivez la progression.
• Contrôle qualité — Révisez les annotations soumises, signalez les problèmes, suivez les taux d’acceptation et exécutez des flux de consensus.
• Gestion des jeux de données — Téléchargez des données, organisez les éléments en séquences, parcourez et recherchez des jeux de données, et gérez les permissions d’accès.

​

Moteur de visualisation

Le moteur de visualisation s’exécute dans le navigateur et fournit un rendu accéléré par GPU pour les données de capteurs :

• Visualiseur multi-capteurs — Lecture synchronisée d’enregistrements MCAP et ROS avec huit types de panneaux : Image, 3D / Nuage de points, Graphique, Messages bruts, Journal, Carte, Jauge et Transitions d’état. Détection automatique des topics et composition intelligente de la disposition organisent les panneaux en fonction de vos données.
• Visualiseur de nuages de points 3D — Rendu des données LiDAR avec six modes de visualisation (Neutre, Intensité, Arc-en-ciel, Étiquette, Panoptique, Projection d’image). Vues de dessus, en perspective et latérales. Les shaders de calcul WebGPU gèrent le frustum culling et le rendu par niveau de détail pour des taux d’images élevés sur des scans denses.
• Visualiseur Gaussian Splat — Rendu accéléré par WebGPU de reconstructions de scènes 3D Gaussian Splat. Tri radix GPU, pooling de tampons et pré-compilation de pipeline offrent une navigation en temps réel dans des environnements photoréalistes.
• Pipeline de rendu — WebGPU est préféré avec un repli automatique vers WebGL pour une compatibilité navigateur plus large. Les drapeaux de fonctionnalités contrôlent les shaders de calcul, les render bundles et la compilation de shaders WGSL.
• Disposition multi-fenêtres — Arrangements de panneaux configurables par glisser-déposer. Un système de disposition en arbre avec équilibrage automatique vous permet de personnaliser l’organisation des panneaux, ou de laisser le compositeur de disposition construire un arrangement optimisé à partir de vos données.

​

REST API

La REST API sur api.avala.ai/api/v1 fournit un accès programmatique à toutes les capacités de la plateforme. Toutes les requêtes s’authentifient avec une clé API passée dans l’en-tête X-Avala-Api-Key. Ressources principales : L’API suit les conventions REST avec des corps de requête et réponse JSON, une pagination basée sur les curseurs et des codes de statut HTTP standard.

​

SDKs

Vous pouvez appeler la REST API directement depuis n’importe quel langage en utilisant des clients HTTP standard (voir REST API), ou utiliser les SDKs officiels :

• Python SDK (pip install avala) — Clients synchrones et asynchrones, modèles Pydantic, pagination automatique, exceptions typées, outil CLI.
• TypeScript SDK (npm install @avala-ai/sdk) — Client entièrement typé avec API basée sur les Promises pour Node.js et les runtimes edge.
• CLI (curl -fsSL https://avala.ai/install.sh | bash) — Gérez les jeux de données, projets, exports et le stockage depuis votre terminal.

Consultez l’aperçu des SDKs pour les détails.

​

Services backend

Les services backend gèrent le traitement asynchrone qui alimente la plateforme :

• Analyse MCAP — Extrait et synchronise les flux de capteurs des enregistrements MCAP, détecte les types de messages et construit les index d’images pour le visualiseur multi-capteurs.
• Conversion vidéo — Divise les fichiers vidéo téléchargés en séquences d’images pour la visualisation et l’annotation.
• Génération d’exports — Produit des exports téléchargeables en JSON, COCO, KITTI et autres formats.
• Traitement de tâches — Génère et distribue les tâches d’annotation en fonction de la configuration du projet.
• Pipeline d’inférence — Exécute l’inférence de modèles pour l’annotation assistée par IA et le pré-étiquetage.

​

Stockage

Le stockage gère toutes les données persistantes :

• Fichiers de jeux de données — Images brutes, images vidéo, nuages de points et enregistrements MCAP.
• Annotations — Données étiquetées produites par les annotateurs (boîtes englobantes, polygones, cuboïdes, masques).
• Exports — Fichiers d’export générés disponibles au téléchargement.
• Artefacts de modèles — Poids et configurations des modèles d’inférence utilisés pour l’étiquetage assisté par IA.

​

Serveur MCP

Le serveur MCP (Model Context Protocol) expose les outils Avala aux assistants IA comme Claude, Cursor et VS Code Copilot. Il permet une interaction en langage naturel avec les jeux de données, projets et exports sans quitter votre environnement de développement.

​

Comment les composants interagissent

1. Les utilisateurs interagissent avec Avala à travers Mission Control (interface web) ou de manière programmatique via la REST API et les SDKs.
2. Mission Control charge les données via la REST API et les rend en utilisant le moteur de visualisation directement dans le navigateur — aucun rendu côté serveur n’est nécessaire.
3. Toutes les interfaces client communiquent avec la même REST API, donc les actions effectuées dans Mission Control sont immédiatement visibles via l’API et vice versa.
4. La REST API valide les requêtes, gère les ressources et distribue le travail aux services backend pour le traitement asynchrone.
5. Les services backend traitent les tâches (analyse MCAP, conversion vidéo, génération d’exports) et écrivent les résultats dans le stockage.

​

Prochaines étapes