Update src/streamlit_app1.py

src/streamlit_app1.py

@@ -3,18 +3,14 @@ import tensorflow as tf
 from PIL import Image
 import numpy as np
 
-# Chargement des modèles
-
 model_infect = tf.keras.models.load_model("src/exo1.keras")
 model_animals = tf.keras.models.load_model("src/exo2.keras")
 
-# Fonction de prédiction
 def predict(model, img_array, classes):
     prediction = model.predict(img_array)
     index = np.argmax(prediction)
     return classes[index], prediction[0][index]
 
-# Interface utilisateur
 st.title("🧠 Classification d’images")
 
 option = st.selectbox("Choisissez le modèle :", ("Infecté / Non Infecté", "Chat / Chien"))
@@ -22,13 +18,17 @@ option = st.selectbox("Choisissez le modèle :", ("Infecté / Non Infecté", "Ch
 uploaded_file = st.file_uploader("Uploader une image", type=["jpg", "png", "jpeg"])
 
 if uploaded_file:
-    image = Image.open(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)
 
-    # Prétraitement
-    image = image.resize((128, 128))  # à adapter selon votre modèle
+    image = image.resize((128, 128))
     img_array = np.array(image) / 255.0
-    img_array = np.expand_dims(img_array, axis=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"])