Update src/streamlit_app1.py

src/streamlit_app1.py

@@ -3,36 +3,49 @@ import tensorflow as tf
 from PIL import Image
 import numpy as np
 
-model_infect = tf.keras.models.load_model("src/exo1.keras")
-model_animals = tf.keras.models.load_model("src/exo2.keras")
-
+# 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 ✅")
+    except Exception as e:
+        st.error(f"Erreur lors du chargement des modèles : {e}")
+        st.stop()
+
+# Fonction de prédiction
 def predict(model, img_array, classes):
     prediction = model.predict(img_array)
     index = np.argmax(prediction)
-    return classes[index], prediction[0][index]
+    return classes[index], float(prediction[0][index])
 
+# Interface utilisateur
 st.title("🧠 Classification d’images")
 
+# Choix du modèle
 option = st.selectbox("Choisissez le modèle :", ("Infecté / Non Infecté", "Chat / Chien"))
 
-uploaded_file = st.file_uploader("Uploader une image", type=["jpg", "png", "jpeg"])
+# Upload d'image
+uploaded_file = st.file_uploader("Uploader une image", type=["jpg", "jpeg", "png"])
 
 if uploaded_file:
-    st.write("Image uploadée, traitement en cours...")  # debug
-
-    image = Image.open(uploaded_file).convert("RGB")
-    st.image(image, caption="Image chargée", use_column_width=True)
-
-    image = image.resize((128, 128))
-    img_array = np.array(image) / 255.0
-    if len(img_array.shape) == 3:
-        img_array = np.expand_dims(img_array, axis=0)
-
-    st.write("Données prétraitées, lancement prédiction...")  # debug
-
-    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"])
-
-    st.success(f"Classe prédite : **{label}** avec une confiance de **{confidence:.2f}**")
+    try:
+        image = Image.open(uploaded_file).convert("RGB")
+        st.image(image, caption="Image chargée", use_column_width=True)
+
+        # Bouton pour déclencher la prédiction
+        if st.button("Prédire"):
+            with st.spinner("Prétraitement de l’image..."):
+                image = image.resize((224, 224))
+                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"])
+
+            st.success(f"✅ Classe prédite : **{label}** avec une confiance de **{confidence:.2f}**")
+    except Exception as e:
+        st.error(f"❌ Erreur lors du traitement : {e}")