File size: 2,531 Bytes
bfb1531 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 | import gradio as gr
import tensorflow as tf
import numpy as np
import plotly.graph_objects as go
# === Charger les trois modèles binaires ===
model_cubisme = tf.keras.models.load_model("model_cubisme.keras")
model_expressionnisme = tf.keras.models.load_model("model_expressionnisme.keras")
model_postimp = tf.keras.models.load_model("model_postimpressionnisme.keras")
# === Liste des classes ===
classes = ["Cubisme", "Expressionnisme", "Post-impressionnisme"]
# === Fonction de prédiction ===
def predire(image):
# Prétraitement
image_resized = tf.image.resize(image, (224, 224)) / 255.0
image_batch = tf.expand_dims(image_resized, axis=0)
# Prédictions des trois modèles
p_cubisme = float(model_cubisme.predict(image_batch)[0][0])
p_expr = float(model_expressionnisme.predict(image_batch)[0][0])
p_postimp = float(model_postimp.predict(image_batch)[0][0])
probs = [p_cubisme, p_expr, p_postimp]
# Tri (optionnel, pour classer les barres par probabilité décroissante)
sorted_indices = np.argsort(probs)[::-1]
sorted_classes = [classes[i] for i in sorted_indices]
sorted_probs = [probs[i] for i in sorted_indices]
colors = ['#2ecc71' if p >= 0.5 else '#bdc3c7' for p in sorted_probs]
# === Construction du graphique ===
fig = go.Figure(go.Bar(
x=sorted_classes,
y=sorted_probs,
marker=dict(color=colors, line=dict(color='black', width=1)),
text=[f"{p*100:.1f}%" for p in sorted_probs],
textposition='auto'
))
fig.update_layout(
xaxis=dict(fixedrange=True, tickangle=45, tickfont=dict(size=15), automargin=True),
yaxis=dict(fixedrange=True, range=[0, 1], title="Probabilité", tickfont=dict(size=14)),
title=dict(
text="Probabilités par mouvement pictural",
y=0.90,
pad=dict(b=30)
),
margin=dict(l=20, r=20, t=0, b=60),
height=600,
font=dict(size=13)
)
fig.data[0].textfont = dict(color='black', size=14, family="Arial")
return fig
# === Interface Gradio ===
demo = gr.Interface(
fn=predire,
inputs=gr.Image(type="numpy", label="Importer une œuvre"),
outputs=gr.Plot(label="Résultats de la classification"),
title="🎨 Classification de style pictural (3 CNN binaires)",
description="Chaque CNN évalue indépendamment la probabilité d’appartenance à un mouvement pictural. Les barres vertes indiquent une probabilité ≥ 50 %.",
theme=gr.themes.Soft()
)
demo.launch()
|