Upload 2 files

app.py

@@ -0,0 +1,111 @@
+# -*- coding: utf-8 -*-
+"""
+Created on Tue Jun 10 11:16:28 2025
+
+@author: camaac
+"""
+
+import gradio as gr
+from PIL import Image
+import torch
+import torchvision.transforms as T
+
+# --- 1) IMPORTER VOTRE CODE D'INFERENCE ---
+# Par exemple, si vous avez un fichier inference.py qui définit une fonction `infer_wood(fibers_map, rings_map)`
+# vous pouvez faire :
+#
+# from inference import infer_wood
+#
+# Et vous assurez que `infer_wood` prend en entrée deux objets PIL.Image
+# (cartographie fibres et cartographie cernes) et renvoie une PIL.Image résultat.
+#
+# Si vous n'avez pas encore ce fichier, créez une fonction de type :
+
+# def infer_wood(fibers_img: Image.Image, rings_img: Image.Image) -> Image.Image:
+#     """
+#     Exemple de squelette de fonction d'inférence.
+#     -> Remplacez tout ce qui est à l'intérieur par votre propre pipeline (prétraitement, appel du modèle, post-traitement).
+#     """
+#     # --- Pré-traitement (adapté à votre modèle) ---
+#     # Par exemple :
+#     preprocess = T.Compose([
+#         T.Resize((256, 256)),
+#         T.ToTensor(),
+#         # T.Normalize(mean=[...], std=[...])  # si votre modèle a été entraîné avec normalisation
+#     ])
+#     x1 = preprocess(fibers_img).unsqueeze(0).to(torch.device('cuda' if torch.cuda.is_available() else 'cpu'))
+#     x2 = preprocess(rings_img).unsqueeze(0).to(torch.device('cuda' if torch.cuda.is_available() else 'cpu'))
+    
+#     # --- Chargement / usage du modèle (ici, c'est un exemple générique) ---
+#     # Imaginons que vous aviez déjà chargé votre modèle quelque part globalement :
+#     # device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
+#     # model = VotreModeleWood().to(device)
+#     # model.load_state_dict(torch.load('chemin/vers/votre_modele.pth', map_location=device))
+#     # model.eval()
+#     #
+#     # Ici, on concatène les deux cartes pour former l’entrée (adaptez selon votre archi).
+
+#     input_tensor = torch.cat([x1, x2], dim=1)  # par exemple (1, C1+C2, H, W)
+
+#     with torch.no_grad():
+#         pred_tensor = model(input_tensor)  # suppose que `model` est déjà défini globalement et chargé
+
+#     # --- Post-traitement pour revenir à PIL.Image ---
+#     postprocess = T.ToPILImage()
+#     output_img = postprocess(pred_tensor.squeeze(0).cpu().clamp(0, 1))
+#     return output_img
+
+def infer_wood(fibers_img: Image.Image, rings_img: Image.Image):    
+    return rings_img
+
+
+# --- 2) CHARGEMENT GLOBAL DU MODÈLE (optionnel) ---
+# Vous pouvez charger votre modèle une seule fois, ici, en dehors de la fonction infer_wood,
+# afin que Gradio ne fasse pas recharger à chaque appel. Par exemple :
+
+device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
+
+# Exemple :
+# from models.votre_modele import VotreModeleWood
+# model = VotreModeleWood().to(device)
+# model.load_state_dict(torch.load('models/chemin_du_modele.pth', map_location=device))
+# model.eval()
+
+
+# --- 3) FONCTION GRADIO D’INTERFACE ---
+def gradio_generate(fibers_map: Image.Image, rings_map: Image.Image) -> Image.Image:
+    """
+    Cette fonction sera appelée à chaque upload par Gradio.
+    Elle doit retourner une PIL.Image (ou un chemin vers l’image enregistrée).
+    """
+    # Vérifier que les deux images sont bien en mode RGB (ou adapter si besoin)
+    fibers_map = fibers_map.convert("RGB")
+    rings_map = rings_map.convert("RGB")
+    # Appel de votre code d'inférence
+    result_img = infer_wood(fibers_map, rings_map)
+    return result_img
+
+
+# --- 4) DÉFINITION DE L’INTERFACE GRADIO ---
+iface = gr.Interface(
+    fn=gradio_generate,
+    inputs=[
+        gr.inputs.Image(type="pil", label="Cartographie d’orientation des fibres"),
+        gr.inputs.Image(type="pil", label="Cartographie des limites de cernes")
+    ],
+    outputs=gr.outputs.Image(type="pil", label="Bois photoréalistique généré"),
+    title="Générateur de bois photoréalistique",
+    description="""
+    Téléchargez :
+    1) une image de cartographie d’orientation des fibres,  
+    2) une image de cartographie des limites de cernes.  
+
+    Le modèle renvoie un rendu photoréalistique de bois que vous pouvez ensuite télécharger.
+    """
+)
+
+# --- 5) LANCER L’APPLICATION ---
+if __name__ == "__main__":
+    # Vous pouvez préciser `server_name="0.0.0.0"` si vous souhaitez qu’il soit accessible sur le réseau
+    # et `server_port=7860` (ou autre port) si vous voulez le personnaliser.
+    iface.launch(server_name="0.0.0.0", server_port=7860, share=False)

requirements.txt

@@ -0,0 +1,4 @@
+gradio==3.x
+torch
+torchvision
+pillow