Pour executer le code, utiliser la branch avec le tag release et non main : https://github.com/QuantumETS/iQuCodeFest-TeamA-Submission/releases/tag/v0.1.0
pour executer le code, faire uv sync pour syncroniser les paquets requis,
à partir du root du repo, faire python src/quanvolution_layer.py --preprocess pour généré les données
faire python src/quanvolution_layer.py pour juste afficher les données
pour executer l'application de détection de tumor, il suffit de faire la commande
uv run flet run --recursive .\src\tumorApp.py
pour l'execution sur le hardware, créer un fichier .env avec CRN et TOKEN, voir .env.example
src\hardware_execution.py --preprocess --run-id quebec_parallel_001
le fichier /notebook/QOS-sketching.py contients l'expérience controles : +, -, 1, 2, 3, 4
L’idée du programme est la suivante : on prend l’image complète, on choisit aléatoirement k positions de pixels, puis on ne conserve que ces k pixels pour les encoder en FRQI. Ensuite, lors de la reconstruction, on remplit les pixels restants à l’aide d’un algorithme du plus proche voisin.