Update app.py

app.py

@@ -6,13 +6,16 @@ from torchvision.transforms import Compose, Resize, ToTensor, Normalize
 import tensorflow as tf
 from tensorflow.keras.models import load_model
 import random
+from fpdf import FPDF
+import io
+import os
 
 # Taille d'entrée pour les modèles
 INPUT_SIZE = 224
 
 # Chemins des modèles sauvegardés
 MODEL_PT_PATH = "best_model.pth"  
-MODEL_TF_PATH = "kidney_model.keras"  
+MODEL_TF_PATH = "model/kidney_model.keras"  
 
 # Chargement des classes
 class_names = ['Cyst', 'Normal', 'Stone', 'Tumor']  
@@ -85,6 +88,49 @@ def predict_with_tensorflow(model_path, image):
 
     return class_names[label_idx], predictions
 
+# Fonction pour générer un PDF avec les prédictions et recommandations
+def generate_pdf(prediction, probabilities, image, model_name):
+    pdf = FPDF()
+    pdf.set_auto_page_break(auto=True, margin=15)
+    pdf.add_page()
+    pdf.set_font("Arial", style="B", size=16)
+    pdf.cell(200, 10, "Rapport de Prédiction", ln=True, align='C')
+    pdf.ln(10)
+
+    pdf.set_font("Arial", size=12)
+    pdf.cell(200, 10, f"Modèle utilisé: {model_name}", ln=True)
+    pdf.cell(200, 10, f"Prédiction: {prediction}", ln=True)
+    pdf.cell(200, 10, "Probabilités:", ln=True)
+
+    for i, prob in enumerate(probabilities):
+        pdf.cell(200, 10, f"{class_names[i]}: {prob:.2%}", ln=True)
+
+    pdf.ln(10)
+    pdf.cell(200, 10, "Recommandations:", ln=True)
+
+    recommendations = {
+        "Cyst": "Consultez un urologue pour une évaluation approfondie.",
+        "Normal": "Aucune intervention n'est requise.",
+        "Stone": "Hydratation et suivi avec un spécialiste recommandés.",
+        "Tumor": "Consultez un oncologue pour un diagnostic précis."
+    }
+
+    pdf.multi_cell(0, 10, recommendations.get(prediction, "Aucune recommandation disponible."))
+
+    # Sauvegarde et insertion de l'image
+    img_path = "temp_image.jpg"
+    image.save(img_path)
+    pdf.image(img_path, x=60, w=90)
+
+    # Générer le PDF en mémoire
+    pdf_output = io.BytesIO()
+    pdf_bytes = pdf.output(dest='S').encode('latin1')  # Générer en mémoire
+    pdf_output.write(pdf_bytes)
+    pdf_output.seek(0)
+
+    return pdf_output
+
+
 # Fonction JS pour animer les ballons
 def show_balloons():
     st.markdown("""
@@ -215,7 +261,7 @@ st.markdown("""
 """, unsafe_allow_html=True)
 
 # Application Streamlit
-st.markdown('<div class="title">Application de Classification d\'Images</div>', unsafe_allow_html=True)
+st.markdown('<div class="title">Session Normale (Kidney Classification)</div>', unsafe_allow_html=True)
 
 menu = st.sidebar.selectbox("Menu", ["🧠 Accueil", "Classification avec PyTorch", "Classification avec TensorFlow", "👨‍💻À propos", "Légendes"])
 
@@ -280,6 +326,10 @@ elif menu == "Classification avec PyTorch":
             label, probabilities = predict_with_pytorch(MODEL_PT_PATH, image)
             st.markdown(f'<div class="result">Classe prédite : <b>{label}</b></div>', unsafe_allow_html=True)
             st.bar_chart(probabilities)
+
+            pdf_file = generate_pdf(label, probabilities, image, MODEL_PT_PATH)
+
+            st.download_button("Télécharger le rapport PDF", pdf_file, "rapport_prediction.pdf", "application/pdf")
             if label == "Normal":
                 st.balloons()  # Affiche les ballons si la classe est "Normal"
             else:
@@ -297,8 +347,12 @@ elif menu == "Classification avec TensorFlow":
             label, probabilities = predict_with_tensorflow(MODEL_TF_PATH, image)
             st.markdown(f'<div class="result">Classe prédite : <b>{label}</b></div>', unsafe_allow_html=True)
             st.bar_chart(probabilities)
+            pdf_file = generate_pdf(label, probabilities, image, MODEL_TF_PATH)
+
+            st.download_button("Télécharger le rapport PDF", pdf_file, "rapport_prediction.pdf", "application/pdf")
+
             if label == "Normal":
-                st.balloons()  # Affiche les ballons si la classe est "Normal"
+                    st.balloons()  # Affiche les ballons si la classe est "Normal"
             else:
                 st.markdown("<h2 style='color: red;'>Désolé, le résultat n'est pas normal...</h2>", unsafe_allow_html=True)