Create app.py

app.py

@@ -0,0 +1,73 @@
+import streamlit as st
+import torch
+from torchvision import transforms
+from PIL import Image
+import torch.nn.functional as F
+import pickle
+import pandas as pd
+me = ['Acceuil','Analyse Medicale']
+p = st.sidebar.selectbox('menu', me)
+
+@st.cache_resource  # Pour éviter de recharger le modècdle à chaque interaction
+def charger_modele_pytorch():
+    modele = torch.load('TATSA_Model1_TransfLr_py.pth', map_location=device)  # Charge le modèle
+    #modele.eval()  # Important : mettez le modèle en mode évaluation
+    return modele
+#chemin_modele = charger_modele_pytorch()
+#chemin_modele = st.text_input("Chemin vers le modèle (.pth)", "pytorch1.pth")
+
+if torch.cuda.is_available():
+    device = st.selectbox("Utiliser le GPU ou le CPU ?", ["GPU", "CPU"], index=0)
+    device = torch.device("cuda" if device == "GPU" else "cpu")
+else:
+    #st.write("Aucun GPU détecté. Utilisation du CPU.")
+    device = torch.device("cpu")
+
+modele_charge = charger_modele_pytorch()
+
+    # Transformation des images (Doit être la même que celle utilisée à l'entraînement)
+transform = transforms.Compose([
+    transforms.Resize((224, 224)),  # Modifier selon la taille utilisée à l'entraînement
+    transforms.ToTensor(),
+    transforms.Normalize((0.5),0.5)])
+if p == 'Acceuil':
+    st.title('EXAMEN SEMESTRE I, DE TRANSFERT LEARNING')
+    st.subheader('MASTER 2 IABD')
+    st.subheader('TATSA TCHINDA Colince')
+    
+elif p=='Analyse Medicale':
+    st.title('TRANSFERT LEARNING')
+    upload_file = st.sidebar.file_uploader('Choisissez une image',type=['jpg','jpeg','png'])
+    
+    if upload_file:
+        image = Image.open(upload_file).convert("RGB")
+        st.image(image, caption="Image chargée", use_container_width=True)
+
+        # Prétraitement de l'image
+        img_tensor = transform(image).unsqueeze(0)  # Ajout d'une dimension batch
+        #bouton1 = st.sidebar.button('Resultat')
+        #bouton2 = st.sidebar.buttonRadio('Probabilites')
+        classes_p = {'HEALTHY': 0,'BRAIN_TUMOR': 1}
+
+        def output_proba():
+            output = modele_charge(img_tensor)
+            probabilities = F.softmax(output, dim=1)
+            return output, probabilities
+
+        if st.sidebar.checkbox("resultat"):
+            # Prédiction
+            with torch.no_grad():
+                output,_ =output_proba()
+            predicted_class = torch.argmax(output, dim=1).item()
+            
+            for key, value in classes_p.items():
+                if value == predicted_class:
+                    st.title(f'Categorie de ➤ {key}')
+            if st.sidebar.checkbox("prob"):
+                        
+                _,probabilities = output_proba()
+                df = pd.DataFrame({"Classe": classes_p.keys(),"Probabilité": probabilities.tolist()[0]})
+
+                st.write("Probabilités :")
+                st.dataframe(df)
+