Contact

Throw

Le score des fléchettes à la caméra, avec des modèles de vision exécutés dans le navigateur.

throw.maz-ui.com
Capture d'écran du projet Throw
Statut
En ligne
Année
2026
Rôle
Conception, entraînement des modèles et développement complet
Stack
  • Nuxt
  • TypeScript
  • ONNX Runtime Web
  • WebGPU
  • YOLO
  • Python
  • PWA
  • WebSocket

Code source privé : l'architecture et les résultats sont présentés ici.

Le contexte

Les systèmes de scoring automatique des fléchettes demandent plusieurs caméras fixées autour de la cible et un ordinateur dédié. Je voulais un téléphone posé devant la cible, sans serveur et sans matériel supplémentaire.

Ce que j'ai construit

Une PWA Nuxt qui détecte la cible et la pointe des fléchettes en temps réel avec ONNX Runtime Web (WebGPU, repli WASM). J'ai entraîné et benchmarké sept générations de mes propres modèles YOLO pose sur des datasets audités et des volées annotées à la main, puis retenu le meilleur pipeline : la différence entre deux images d'abord, le modèle ensuite.

Architecture

  1. 01CaptureLa caméra du téléphone filme la cible, images stabilisées.
  2. 02CalibrationLes coins de la cible sont détectés pour redresser la vue.
  3. 03DifférenceComparaison avant et après le lancer pour isoler la fléchette.
  4. 04PointeLe modèle de pose localise la pointe au millimètre.
  5. 05ScoreLe point est projeté sur la cible et la partie est mise à jour.

Résultats & impact

  • 71 à 96 ms par inférence en WebGPU sur iPhone, 175 ms en WASM, entièrement sur l'appareil.
  • 88 % des fléchettes justes face à Autodarts avec le pipeline par différence, contre 57 % sur la photo seule.
  • Erreur médiane des coins de la cible passée de 7,1 à 2,7 mm au fil des entraînements, environ 400 tests.

Compétences mobilisées

  • Vision par ordinateur
  • Entraînement de modèles
  • Produit full stack

Un projet en tête ?

Application à construire, équipe à renforcer ou produit IA à lancer : parlons-en.