---
title: 'PhotoCraft : règles, orchestration et contrôle des résultats'
date: '2026-10-21'
author: Karbonic
category: Technologie
language: fr-CH
canonical: https://www.karbonic.net/journal-photocraft-harness.html
description: Une image peut être séduisante et fausse dans ses détails.
og:image: https://www.karbonic.net/assets/photocraft-orchestration-v54.webp
---

# PhotoCraft : règles, orchestration et contrôle des résultats

Une image peut être séduisante et fausse dans ses détails. Avec PhotoCraft, nous travaillons sur les règles d’exécution, l’orchestration et les contrôles qui permettent de voir ces écarts avant de poursuivre.

![Illustration d’un poste de pilotage logiciel vu de dos : tableau de validation, journal d’exécution et historique Git sur deux écrans.](https://www.karbonic.net/assets/photocraft-orchestration-v54.webp)

Règles, suivi des validations et historique Git : le pilotage au premier plan. Illustration.

## Le cas d’application : de la photo au nouvel éclairage

Nous faisons travailler photographies, scripts Python, maillages et éclairages Blender sur trois machines locales. Le chantier PhotoCraft consiste à encadrer cette chaîne : conserver les références, identifier les versions et donner aux contrôles les moyens de refuser un résultat. Nous présentons ici une itération de ce travail.

Une photo contient déjà des reflets et des ombres. La projeter sur une géométrie puis ajouter une lumière peut cumuler deux éclairages. Une face partiellement cachée peut aussi recevoir une texture qui réapparaît deux fois lorsque la caméra tourne. Le problème ne se résout donc pas par un meilleur prompt.

## Le harness : un cadre d’exécution vérifiable

Pour cette chaîne, le harnais doit fixer les outils de l’agent, les consignes et les conditions d’exécution. Il doit aussi identifier les entrées, les scripts, les modèles et les paramètres de chaque essai. Sans ces éléments, on peut produire une image ; on saura moins bien expliquer pourquoi elle diffère de la précédente.

Un identifiant d’essai relie les fichiers sources, leurs empreintes, les réglages et les résultats. Une copie de script sur une autre machine doit être vérifiée avant de comparer les rendus. Sinon, une différence de version peut être prise pour une amélioration d’algorithme. C’est le cadre de reproductibilité que nous construisons autour du chantier.

## Des juges CPU, et des tests pour juger les juges

Nous appelons ici juge CPU un contrôle calculé et reproductible, distinct de l’avis d’un modèle de langage. Dans cette itération, il mesure la conservation des pixels à l’angle de référence, les doublons, les zones inconnues et la déformation du texte. Ce sont des observations différentes ; elles ne doivent pas disparaître dans une seule appréciation.

Un modèle peut suggérer un défaut ou une correction. Pour vérifier le juge, nous lui soumettons aussi un maillage volontairement dégradé. S’il distingue à peine ce cas du maillage corrigé, le contrôle ne suffit pas. Les images, les mesures et les cas témoins servent à établir cette différence.

## Un progrès mesuré, avec sa contrepartie

Sur un même essai à +10°, l’indicateur interne de doublons passe de 5,06 % à 1,72 %. En parallèle, la surface classée inconnue passe de 11,8 % à 13,2 %. Les pixels identiques à 0° restent à 99,71 %. Ces chiffres concernent ce seul essai et ses mesures internes ; ils ne constituent pas un benchmark général.

La correction évite de plaquer une texture sur certaines surfaces non visibles. Elle réduit les répétitions, mais laisse davantage de zones sans information. C’est une contrepartie à rendre visible, plutôt qu’à masquer derrière une note globale.

Le cas témoin au maillage dégradé obtient pourtant 1,79 % de doublons, très près des 1,72 % du résultat corrigé. Conclusion de cette itération : cet indicateur, pris seul, ne suffit pas pour autoriser la suite.

## UV, normales et relighting : trois problèmes différents

Le dépliage UV établit une correspondance entre surface et texture. Il ne révèle pas les parties absentes de la photo. Une carte de normales agit sur la réponse à la lumière ; elle ne crée pas, à elle seule, le volume réel ni une silhouette fiable sous un nouvel angle.

Le travail en cours examine aussi la prédiction de profondeur, de normales et de composantes d’apparence avec les pipelines Marigold de Diffusers. Les sorties disponibles dépendent du modèle choisi. Elles restent des estimations : une matière prédite ou un relief suggéré ne devient pas une mesure du produit.

La suite consiste à séparer autant que possible l’objet, ses détails sensibles et son environnement lumineux. Les inscriptions et les éléments fonctionnels doivent être contrôlés à part. Un arrière-plan généré peut servir à la mise en scène ; il ne doit pas être confondu avec une reconstruction documentée de l’objet.

## Trois machines : distribuer les travaux, garder la même expérience

Python et Blender exécutent les traitements ; des modèles locaux peuvent aider à l’analyse et au pilotage. Sur plusieurs postes, il faut distribuer les travaux sans saturer les machines et récupérer des résultats dont les conditions d’exécution sont comparables.

La chaîne doit prévoir une file de travaux, des budgets CPU, RAM et VRAM par machine, des délais et des reprises contrôlées. La mémoire de trois postes ne s’additionne pas automatiquement en une mémoire unique. Une priorité basse ne limite pas, à elle seule, la consommation CPU.

Un rendu brut, un rendu éclairé et un résultat final doivent pouvoir être comparés séparément. La géométrie, la matière et l’éclairage ne doivent pas changer simultanément si l’on veut identifier la cause d’un défaut.

## ECC, Hermes, MCP et llama.cpp : des rôles distincts

ECC fournit des ressources pour structurer le travail des agents, notamment des skills, des hooks et des règles. Hermes Agent peut se connecter à des serveurs d’outils via MCP. MCP décrit l’échange avec ces outils ; il ne remplace ni l’ordonnanceur des rendus ni les critères de validation.

llama.cpp permet d’exécuter des modèles localement, avec des possibilités CPU et GPU selon la configuration. Dans l’architecture visée, le modèle propose des actions, les outils exécutent et les contrôles décident si une étape peut continuer. Ces briques sont des repères d’intégration ; leur présence dans cette liste ne signifie pas que chacune est déjà raccordée à PhotoCraft.

## Tout en local : un périmètre à vérifier

L’objectif est de conserver les images et les traitements sur les machines locales. Cela suppose de vérifier les points de sortie : fournisseurs de modèles configurés, téléchargements initiaux, télémétrie, outils distants et éventuels fournisseurs de secours. Un serveur MCP ou un modèle installé sur un poste ne garantit pas, à lui seul, l’absence de trafic externe.

Nous suivons les outils qui apparaissent et les essayons sur ce chantier. Une brique nouvelle doit permettre de mieux exécuter, comparer ou contrôler un essai. C’est ce que nous cherchons avec PhotoCraft : pouvoir expliquer les transformations d’une image, et savoir à quel moment le résultat ne permet plus de poursuivre.

## Références techniques

- [ECC](https://github.com/affaan-m/ECC)
- [Hermes Agent · MCP](https://hermes-agent.nousresearch.com/docs/user-guide/features/mcp)
- [llama.cpp · server](https://github.com/ggml-org/llama.cpp/blob/master/tools/server/README.md)
- [Blender · Python API](https://docs.blender.org/api/current/)
- [Diffusers · Marigold](https://huggingface.co/docs/diffusers/main/en/using-diffusers/marigold_usage)
