Add application file

app.py

@@ -0,0 +1,93 @@
+import gradio as gr
+import numpy as np
+import tensorflow as tf
+import cv2
+import joblib
+import os
+os.environ["TF_ENABLE_ONEDNN_OPTS"] = "0"
+
+
+# Charger le modèle de segmentation
+segmentation_model = tf.keras.models.load_model('unet_optimized.keras', 
+        custom_objects={"dice_coefficient": lambda y_true, y_pred: y_pred})
+
+# Charger le modèle de classification
+classification_model = joblib.load('knn.pkl')
+
+# Classes pour le diagnostic
+categories = ['Apple___Apple_scab', 'Apple___Black_rot', 'Apple___Cedar_apple_rust', 'Apple___healthy']
+
+def segment_image(image):
+    # Redimensionner et normaliser l'image
+    resized_image = cv2.resize(image, (256, 256)) / 255.0
+    input_image = np.expand_dims(resized_image, axis=0)
+
+    # Prédire le masque
+    mask = segmentation_model.predict(input_image)[0]
+
+    # Debugging : Visualiser les statistiques du masque
+    print("Raw mask - Min:", np.min(mask), "Max:", np.max(mask), "Mean:", np.mean(mask))
+
+    # Si nécessaire, normaliser le masque
+    if np.max(mask) > 1.0:  # Si les valeurs sont hors de l'échelle attendue
+        mask = mask / np.max(mask)
+
+    # Seuillage pour obtenir une image binaire
+    mask = (mask.squeeze() > 0.1).astype(np.uint8)
+
+    # Debugging : Sauvegarder le masque binaire
+    cv2.imwrite("binary_mask.png", mask * 255)
+
+    # Redimensionner le masque à la taille originale
+    original_size = (image.shape[1], image.shape[0])
+    mask_resized = cv2.resize(mask, original_size, interpolation=cv2.INTER_NEAREST)
+
+    return mask_resized
+
+
+
+# Fonction de classification
+def classify_image(image):
+    # Extraire les caractéristiques pour la classification
+    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
+    hist = cv2.calcHist([gray], [0], None, [256], [0, 256]).flatten()
+
+    # Prédire la classe
+    prediction = classification_model.predict([hist])
+    return prediction[0]
+
+# Fonction principale pour Gradio
+def process_image(image):
+    # Convertir l'image de PIL à NumPy
+    image = np.array(image)
+
+    # Segmentation
+    mask = segment_image(image)
+
+    # Classification
+    diagnosis = classify_image(image)
+
+    # Convertir le masque en image couleur pour l'affichage
+    mask_colored = cv2.cvtColor(mask * 255, cv2.COLOR_GRAY2BGR)
+
+    return mask_colored, diagnosis
+
+# Interface Gradio
+interface = gr.Interface(
+    fn=process_image,
+    inputs=gr.Image(label="Chargez une image de feuille", type="pil"),
+    outputs=[
+        gr.Image(label="Masque de segmentation"),
+        gr.Label(label="Diagnostic")
+    ],
+    title="SafeLeaf",
+    description=(
+        "Cette application est une application de détection des maladies des feuilles de pommiers, elle utilise deux modèles : "
+        "1. Un modèle de segmentation pour détecter la zone de la feuille malade. "
+        "2. Un modèle de classification pour diagnostiquer la maladie de la feuille. "
+        "Chargez une image pour commencer."
+    ),
+)
+
+# Lancer l'application
+interface.launch()

knn.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:033341bdab487fb69f9e546b452a930ad6c67baae738ab6d665d77bec8529e53
+size 2618340

requirements.txt

@@ -0,0 +1,5 @@
+gradio==3.42.0
+numpy==1.23.5
+tensorflow==2.14.0
+opencv-python==4.8.1.78
+joblib==1.3.2