Update src/streamlit_app1.py

src/streamlit_app1.py

@@ -2,71 +2,30 @@ import streamlit as st
 import tensorflow as tf
 from PIL import Image
 import numpy as np
-from tensorflow.keras.applications.resnet50 import preprocess_input, ResNet50
 
 # Chargement des modèles avec message
 with st.spinner("Chargement des modèles..."):
     try:
         model_infect = tf.keras.models.load_model("src/exo1.keras")
         model_animals = tf.keras.models.load_model("src/exo2.keras")
-        st.success("Modèles chargés avec succès ✅")
+        st.success("Modèles chargés avec succès ")
     except Exception as e:
         st.error(f"Erreur lors du chargement des modèles : {e}")
         st.stop()
 
-# Afficher résumé et input shape modèle infecté
-st.write("### Modèle Infecté - Résumé :")
-model_infect.summary(print_fn=lambda x: st.text(x))
-input_shape_infect = model_infect.input_shape  # tuple
-
-st.write(f"**Input shape attendu (modèle infecté) :** {input_shape_infect}")
-
-# Initialisation extracteur features ResNet50 si besoin (pas de top, pooling avg)
-feature_extractor = ResNet50(weights='imagenet', include_top=False, pooling='avg')
-
 # Fonction de prédiction
 def predict(model, img_array, classes):
     prediction = model.predict(img_array)
     index = np.argmax(prediction)
     return classes[index], float(prediction[0][index])
 
-# Prétraitement pour le modèle infecté
-def preprocess_infect(image):
-    # Si input shape 4D, exemple (None, 128, 128, 3)
-    if len(input_shape_infect) == 4:
-        # On adapte la taille selon ce que le modèle attend (sauf None)
-        target_size = input_shape_infect[1:4]
-        image = image.resize((target_size[1], target_size[0]))  # (width, height)
-        img_array = np.array(image) / 255.0
-        img_array = np.expand_dims(img_array, axis=0)
-        return img_array.astype(np.float32)
-    
-    # Si input shape 2D, exemple (None, 2048) => extraction features
-    elif len(input_shape_infect) == 2:
-        # On doit extraire les features avec ResNet50
-        image = image.resize((224, 224))
-        img_array = np.array(image)
-        img_array = np.expand_dims(img_array, axis=0)
-        img_array = preprocess_input(img_array)
-        features = feature_extractor.predict(img_array)
-        return features.astype(np.float32)
-    
-    else:
-        st.error("Format d'entrée du modèle infecté non supporté.")
-        st.stop()
-
-# Prétraitement pour modèle animaux (image classique)
-def preprocess_animals(image):
-    image = image.resize((128, 128))
-    img_array = np.array(image) / 255.0
-    img_array = np.expand_dims(img_array, axis=0)
-    return img_array.astype(np.float32)
-
 # Interface utilisateur
-st.title("🧠 Classification d’images")
+st.title("Classification d’images")
 
+# Choix du modèle
 option = st.selectbox("Choisissez le modèle :", ("Infecté / Non Infecté", "Chat / Chien"))
 
+# Upload d'image
 uploaded_file = st.file_uploader("Uploader une image", type=["jpg", "jpeg", "png"])
 
 if uploaded_file:
@@ -74,19 +33,25 @@ if uploaded_file:
         image = Image.open(uploaded_file).convert("RGB")
         st.image(image, caption="Image chargée", use_container_width=True)
 
+        # Bouton pour déclencher la prédiction
         if st.button("Prédire"):
             with st.spinner("Prétraitement de l’image..."):
                 if option == "Infecté / Non Infecté":
-                    img_array = preprocess_infect(image)
+                    image = image.resize((50, 50))
+                    model = model_infect
+                    classes = ["Non Infecté", "Infecté"]
                 else:
-                    img_array = preprocess_animals(image)
+                    image = image.resize((128, 128))
+                    model = model_animals
+                    classes = ["Chat", "Chien"]
+
+                img_array = np.array(image) / 255.0
+                img_array = np.expand_dims(img_array, axis=0)
 
             with st.spinner("Prédiction en cours..."):
-                if option == "Infecté / Non Infecté":
-                    label, confidence = predict(model_infect, img_array, ["Non Infecté", "Infecté"])
-                else:
-                    label, confidence = predict(model_animals, img_array, ["Chat", "Chien"])
+                label, confidence = predict(model, img_array, classes)
 
             st.success(f"✅ Classe prédite : **{label}** avec une confiance de **{confidence:.2f}**")
+
     except Exception as e:
         st.error(f"❌ Erreur lors du traitement : {e}")