Update app.py

app.py

@@ -1,6 +1,8 @@
 import streamlit as st
 from PIL import Image
 import numpy as np
+import torch
+from torchvision.transforms import Compose, Resize, ToTensor, Normalize
 import tensorflow as tf
 from tensorflow.keras.models import load_model
 import random
@@ -179,13 +181,13 @@ st.markdown("""
 # Application Streamlit
 st.markdown('<div class="title">Application de Classification d\'Images</div>', unsafe_allow_html=True)
 
-menu = st.sidebar.selectbox("Menu", ["🧠 Accueil", "Classification avec ResNet50 (TensorFlow)", "👨‍💻À propos", "Légendes des modèles"])
+menu = st.sidebar.selectbox("Menu", ["🧠 Accueil", "Classification de l'état des reins avec ResNet50", "👨‍💻À propos", "Légendes des modèles"])
 
 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 **CT-KIDNEY-DATASET-Normal-Cyst-Tumor-Stone**, 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 (Normal, Cyst, Tumor, Stone) à l'aide de modèles de machine learning.
+        Cette application a pour objectif de classer ces images en différentes catégories (**Normal** Aucun problème: , **Cyst**: Kystes rénaux, **Tumor**: Tumeur rénale, **Stone**: Calculs rénaux) 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 **ResNet50** comme celui avec les meilleurs caractéristiques. 
         Ces modèles ont été entraînés sur le dataset CT-KIDNEY-DATASET 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.
     """)
@@ -194,7 +196,7 @@ if menu == "🧠 Accueil":
     tab_resnet50, tab_vgg16, tab_mobilenetv2 = st.tabs(["ResNet50", "VGG16", "MobileNetV2"])
 
     with tab_resnet50:
-        st.image("resnet50_image.webp", caption="ResNet50", width=300)
+        st.image("resnet50_image.webp", caption="ResNet50", width=700)
         st.write("""
             **ResNet50** est un réseau de neurones convolutif profond (CNN) très populaire pour la classification d'images, introduit dans l'article "Deep Residual Learning for Image Recognition".
             
@@ -211,7 +213,7 @@ if menu == "🧠 Accueil":
         """)
 
     with tab_vgg16:
-        st.image("vgg16_image.jpg", caption="VGG16", width=300)
+        st.image("vgg16_image.jpg", caption="VGG16", width=700)
         st.write("""
             **VGG16** est un modèle de CNN développé par l'équipe de recherche Visual Geometry Group (VGG). Il est connu pour sa simplicité et son efficacité dans la classification d'images.
     
@@ -228,7 +230,7 @@ if menu == "🧠 Accueil":
         """)
 
     with tab_mobilenetv2:
-        st.image("mobilenetv2.webp", caption="MobileNetV2", width=300)
+        st.image("mobilenetv2.webp", caption="MobileNetV2", width=700)
         st.write("""
             **MobileNetV2** est un modèle léger optimisé pour les appareils mobiles et embarqués. Il repose sur des blocs convolutifs de profondeur et des connexions résiduelles.
     
@@ -248,26 +250,64 @@ if menu == "🧠 Accueil":
 
 
 
-elif menu == "Classification avec ResNet50 (TensorFlow)":
+elif menu == "Classification de l'état des reins avec ResNet50":
+    # Ajout d'un sous-titre explicatif pour informer sur la fonctionnalité
     st.subheader("Classification avec ResNet50 (TensorFlow)")
-    uploaded_file = st.file_uploader("Téléchargez une image", type=["jpg", "jpeg", "png"])
+
+    # Présentation de la fonctionnalité pour l'utilisateur
+    st.markdown("""
+        Cette section vous permet de **classer une image d'état des reins** en fonction de son apparence.
+        Le modèle utilise **ResNet50**, 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`.
+        2. Cliquez sur le bouton **Classifier** pour lancer l'analyse.
+        3. Obtenez le résultat du diagnostic (Normal ou Anomalie) accompagné d'un graphique des probabilités.
+    """)
+
+    # Étape 1 : L'utilisateur télécharge une image
+    uploaded_file = st.file_uploader("Téléchargez une image des reins (format jpg, jpeg ou png)", type=["jpg", "jpeg", "png"])
 
     if uploaded_file is not None:
+        # Affiche l'image téléchargée
         image = Image.open(uploaded_file)
-        st.image(image, caption="Image Téléchargée", use_container_width=True)
+        st.image(image, caption="Image téléchargée avec succès", use_container_width=True)
 
-        if st.button("Classifier"):
-            label, probabilities = predict_with_tensorflow(MODEL_TF_PATH, image)  # Fonction de prédiction adaptée pour ResNet50
-            st.markdown(f'<div class="result">Classe prédite : <b>{label}</b></div>', unsafe_allow_html=True)
+        # Explication pour l'étape suivante
+        st.markdown("""
+            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**.
+        """)
 
-            # Affiche un graphique en barres des probabilités des classes
+        # Étape 2 : L'utilisateur clique pour classifier l'image
+        if st.button("Classifier"):
+            # Appel de la fonction de prédiction avec le modèle ResNet50
+            label, probabilities = predict_with_tensorflow(MODEL_TF_PATH, image)
+
+            # Affichage du résultat
+            st.markdown(f"""
+                ### Résultat de la classification :
+                **Classe prédite :** {label}
+            """, unsafe_allow_html=True)
+
+            # Affichage des probabilités sous forme de graphique
+            st.markdown("""
+                #### Confiance du modèle dans chaque catégorie :
+                Le graphique ci-dessous montre la probabilité associée à chaque classe. Une probabilité élevée indique la classe la plus probable.
+            """)
             st.bar_chart(probabilities)
 
-            # Résultat visuel en fonction de la classe prédite
+            # Affichage d'un message visuel en fonction de la classe prédite
             if label == "Normal":
-                st.balloons()  # Animation festive si la prédiction est "Normal"
+                st.balloons()  # Animation festive si le résultat est "Normal"
+                st.success("Félicitations ! L'image a été classée comme **Normale**.")
             else:
-                st.markdown("<h2 style='color: red;'>Désolé, le résultat indique une anomalie...</h2>", unsafe_allow_html=True)
+                st.error("Désolé, le modèle indique une **Anomalie** dans l'image téléchargée.")
+                st.markdown("""
+                    #### Que faire en cas d'anomalie ?
+                    Si une anomalie est détectée, il est recommandé de :
+                    - Vérifier l'image téléchargée pour s'assurer qu'elle est correcte.
+                    - Contacter un professionnel de santé pour une analyse approfondie.
+                """)
+
 
 elif menu == "Légendes des modèles":
     st.subheader("Légendes des modèles")