README.md

metadata

title: Computer Vison | Image Classification
emoji: 🤖
colorFrom: blue
colorTo: purple
sdk: docker
app_port: 7860
pinned: false

Intel Scene Classifier — Déploiement

Structure du projet

webapp/
├── app.py                  ← Backend Flask
├── templates/
│   └── index.html          ← Interface web
├── parfait_model.pth       ← ⚠️ À placer ici (téléchargé depuis Kaggle)
├── parfait_model.keras     ← ⚠️ À placer ici (téléchargé depuis Kaggle)
├── requirements.txt
├── Procfile
└── README.md

⚠️ Important : Placez parfait_model.pth et parfait_model.keras à la racine du projet avant de déployer.

---

Option A — PythonAnywhere (recommandé, gratuit)

1. Créez un compte sur https://www.pythonanywhere.com
2. Onglet Files → uploadez tous vos fichiers (y compris les modèles .pth et .keras)
3. Onglet Consoles → ouvrir un Bash :

   pip install -r requirements.txt
   

4. Onglet Web → Add a new web app → Manual configuration → Python 3.10
5. Dans WSGI configuration file, remplacez le contenu par :

   import sys
   sys.path.insert(0, '/home/VOTRE_USERNAME')
   from app import app as application
   

6. Reload → votre app est en ligne !

---

Option B — Railway (gratuit, très simple)

1. Créez un compte sur https://railway.app
2. New Project → Deploy from GitHub (poussez votre code sur GitHub d'abord)
3. Railway détecte automatiquement le Procfile
4. Ajoutez vos fichiers modèles via Volume ou committez-les dans le repo
5. Deploy → URL générée automatiquement

---

Option C — Render (gratuit)

1. https://render.com → New Web Service
2. Connectez votre repo GitHub
3. Build Command : pip install -r requirements.txt
4. Start Command : gunicorn app:app --bind 0.0.0.0:$PORT --workers 1 --timeout 120
5. Uploadez les modèles dans le repo ou via un bucket S3

---

Lancer en local

pip install -r requirements.txt

# Placez parfait_model.pth et parfait_model.keras ici, puis :
python app.py
# → http://localhost:5000