Update src/streamlit_app1.py

src/streamlit_app1.py

@@ -2,6 +2,7 @@ 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..."):
@@ -13,19 +14,59 @@ with st.spinner("Chargement des modèles..."):
         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")
 
-# 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:
@@ -33,12 +74,12 @@ 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..."):
-                image = image.resize((128, 128))
-                img_array = np.array(image) / 255.0
-                img_array = np.expand_dims(img_array, axis=0)
+                if option == "Infecté / Non Infecté":
+                    img_array = preprocess_infect(image)
+                else:
+                    img_array = preprocess_animals(image)
 
             with st.spinner("Prédiction en cours..."):
                 if option == "Infecté / Non Infecté":