Update app.py

app.py

@@ -1,44 +1,21 @@
-import os
-os.environ["CUDA_VISIBLE_DEVICES"] = "-1"  # Forcer TensorFlow à utiliser le CPU
-
-from fastapi import FastAPI, File, UploadFile
-import cv2
-import numpy as np
+import gradio as gr
 import tensorflow as tf
+import numpy as np
+import cv2
 
-app = FastAPI()
-
-# Charger le modèle IA
+# Charger le modèle (Remplace par ton modèle)
 model = tf.keras.models.load_model("tomato_disease_mobilenetv2_25Epc.h5")
 
-# Liste des maladies avec explications et recommandations
-disease_info = {
-    "Tomato___Bacterial_spot": {
-        "description": "Les taches bactériennes provoquent des lésions sombres et humides sur les feuilles et les fruits.",
-        "recommendations": "Évitez l'arrosage par aspersion. Appliquez un fongicide à base de cuivre et utilisez des variétés résistantes."
-    },
-    "Tomato___Early_blight": {
-        "description": "Le mildiou précoce entraîne des taches brun foncé concentriques sur les feuilles, qui finissent par se dessécher.",
-        "recommendations": "Supprimez les feuilles infectées et appliquez un fongicide préventif. Évitez l'humidité excessive."
-    },
-    "Tomato___Late_blight": {
-        "description": "Le mildiou tardif provoque des taches gris-brun entourées d’un halo jaune, et peut détruire rapidement la plante.",
-        "recommendations": "Utilisez un fongicide systémique et éliminez les plantes contaminées immédiatement pour éviter la propagation."
-    },
-    "Tomato___healthy": {
-        "description": "Votre plante est en bonne santé ! 🎉",
-        "recommendations": "Continuez à surveiller l’humidité et appliquez un entretien régulier."
-    }
-}
+# Classes des maladies (modifie selon ton dataset)
+classes = ["Tomato___Bacterial_spot", "Tomato___Early_blight", "Tomato___Late_blight", 
+           "Tomato___Leaf_Mold", "Tomato___Septoria_leaf_spot", "Tomato___Spider_mites Two-spotted_spider_mite",
+           "Tomato___Target_Spot", "Tomato___Tomato_Yellow_Leaf_Curl_Virus", 
+           "Tomato___Tomato_mosaic_virus", "Tomato___healthy"]
 
-@app.post("/predict/")
-async def predict(file: UploadFile = File(...)):
-    contents = await file.read()
-    img = np.frombuffer(contents, np.uint8)
-    img = cv2.imdecode(img, cv2.IMREAD_COLOR)
-
-    # Prétraitement de l’image
-    img = cv2.resize(img, (224, 224))
+# Fonction de prédiction avec score de confiance
+def predict_image(image):
+    # Convertir en format compatible avec le modèle
+    img = cv2.resize(image, (224, 224))  # Adapter à la taille du modèle
     img = img / 255.0  # Normalisation
     img = np.expand_dims(img, axis=0)
 
@@ -47,14 +24,16 @@ async def predict(file: UploadFile = File(...)):
     predicted_class = np.argmax(prediction)
     confidence = np.max(prediction) * 100  # Score de confiance en %
 
-    # Obtenir les détails de la maladie
-    class_name = list(disease_info.keys())[predicted_class]
-    description = disease_info[class_name]["description"]
-    recommendations = disease_info[class_name]["recommendations"]
+    return f"🌱 Résultat : {classes[predicted_class]} \n🔍 Confiance : {confidence:.2f}%"
+
+# Interface Gradio
+interface = gr.Interface(
+    fn=predict_image,
+    inputs=gr.Image(type="numpy"),
+    outputs="text",
+    title="Détection des Maladies des Plantes 🌿",
+    description="📸 Télécharge une image d'une feuille de plante pour obtenir une analyse IA."
+)
 
-    return {
-        "prediction": class_name,
-        "confidence": round(confidence, 2),
-        "description": description,
-        "recommendations": recommendations
-    }
+# Lancer l’application
+interface.launch()