Update app.py

app.py

@@ -6,12 +6,14 @@ from torchvision import transforms
 import torchvision.models as models
 from torchvision.models import VGG16_Weights, ResNet50_Weights, MobileNet_V2_Weights
 import os
+from fpdf import FPDF
+import io
 
 # Taille d'entrée pour les modèles
 INPUT_SIZE = 224
 
 # Chemins des modèles sauvegardés (adapté pour PyTorch)
-MODEL_PYTORCH_PATH = "VGG16_best_accuracy_0.9660.pth"  # Exemple
+MODEL_PYTORCH_PATH = "saved_models/VGG16_best_accuracy_0.9660.pth"  # Exemple
 
 # Chargement des classes
 class_names = ['Healthy', 'Tumor']
@@ -65,6 +67,50 @@ def predict_with_pytorch(model_path, image, class_names):
         return f"Erreur lors de la prédiction: {e}", None
 
 
+# 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("""
@@ -194,18 +240,54 @@ st.markdown("""
     </style>
 """, unsafe_allow_html=True)
 
+# Identifiants d'accès
+USERNAME = "abdouramandalil"
+PASSWORD = "transferlearning"
+
+
+def check_login():
+    """ Vérifie l'authentification de l'utilisateur """
+    st.sidebar.header("Connexion")
+    username = st.sidebar.text_input("Nom d'utilisateur")
+    password = st.sidebar.text_input("Mot de passe", type="password")
+
+    if st.sidebar.button("Se connecter"):
+        if username == USERNAME and password == PASSWORD:
+            st.session_state["authenticated"] = True
+            st.sidebar.success("Connexion réussie !")
+            st.rerun()
+        else:
+            st.sidebar.error("Identifiants incorrects")
+
+def logout():
+    st.session_state["authenticated"] = False
+    st.rerun()
+
+if "authenticated" in st.session_state and st.session_state["authenticated"]:
+    if st.sidebar.button("Se déconnecter"):
+        logout()
+
+# Vérification de la connexion
+if "authenticated" not in st.session_state:
+    st.session_state["authenticated"] = False
+
+if not st.session_state["authenticated"]:
+    check_login()
+    st.stop()
+
+
 # Application Streamlit
 st.markdown('<div class="title">Application de Classification d\'Images</div>', unsafe_allow_html=True)
 
 menu = st.sidebar.selectbox("Menu", ["🧠 Accueil", "🧠 Classification de l'état cérébral avec VGG16", "Comparatif entre modèles", "👨‍💻À propos"])
 
 if menu == "🧠 Accueil":
-    st.write("Bienvenue dans notre application de classification d'images. Cette application a été développée pour la classification d'images dans le contexte du **Brain Tumor MRI images**, un dataset médical contenant des images de oncologiques, avec des catégories représentant des cerveaux normaux, des tumeurs .")
+    st.write("Bienvenue dans notre application de classification d'images. Cette application a été développée pour la classification d'images dans le contexte du **Brain Tumor MRI images**, un dataset médical contenant des images de tomodensitométrie (CT) de reins, avec des catégories représentant des reins normaux, des kystes, des tumeurs et des calculs rénaux.")
 
     st.write("""
         Cette application a pour objectif de classer ces images en différentes catégories (**Healthy** Aucun problème: , **Tumor**: Tumeur cérébrale) à l'aide de modèles de machine learning.
         Nous avons effectué du Transfer Learning sur trois modèles pré entrainés et avons fait un comparatif des trois avant de choisir **VGG16** comme celui avec les meilleurs caractéristiques. 
-        Ces modèles ont été entraînés sur le dataset Brain Tumor MRI images et peuvent être utilisés pour prédire la catégorie d'une image donnée, en détectant des anomalies ou en validant l'état du cerveau à partir des images oncologyques.
+        Ces modèles ont été entraînés sur le dataset Brain Tumor MRI images et peuvent être utilisés pour prédire la catégorie d'une image donnée, en détectant des anomalies ou en validant l'état du rein à partir des images CT.
     """)
 
     # Création des onglets pour chaque modèle
@@ -272,7 +354,7 @@ elif menu == "🧠 Classification de l'état cérébral avec VGG16":
 
     # Présentation de la fonctionnalité pour l'utilisateur
     st.markdown("""
-        Cette section vous permet de **classer une image d'état du cerveau** en fonction de son apparence.
+        Cette section vous permet de **classer une image d'état des reins** en fonction de son apparence.
         Le modèle utilise **VGG16**, une architecture d'apprentissage profond optimisée pour analyser les images.
         Voici ce que vous devez faire :
         1. Téléchargez une image au format `jpg`, `jpeg` ou `png`.
@@ -290,7 +372,7 @@ elif menu == "🧠 Classification de l'état cérébral avec VGG16":
 
         # Explication pour l'étape suivante
         st.markdown("""
-            Cliquez sur le bouton **Classifier** pour que le modèle analyse l'image et détermine si l'état du cerveau est **Normal** ou présente une **Anomalie**.
+            Cliquez sur le bouton **Classifier** pour que le modèle analyse l'image et détermine si l'état des reins est **Normal** ou présente une **Anomalie**.
         """)
 
         # Étape 2 : L'utilisateur clique pour classifier l'image
@@ -298,6 +380,10 @@ elif menu == "🧠 Classification de l'état cérébral avec VGG16":
             # Appel de la fonction de prédiction avec le modèle ResNet50
             label, probabilities = predict_with_pytorch(MODEL_PYTORCH_PATH, image, class_names)
 
+            pdf_file = generate_pdf(label, probabilities, image, MODEL_PYTORCH_PATH)
+
+            st.download_button("Télécharger le rapport PDF", pdf_file, "rapport_prediction.pdf", "application/pdf")
+
             # Affichage du résultat
             st.markdown(f"""
                 ### Résultat de la classification :