Update app.py

app.py

@@ -159,132 +159,6 @@ with gr.Blocks(theme=gr.themes.Soft()) as demo:
 
 demo.launch()
 
-"""
-VERSION 2 avec sélection des mouvements et affichage des graphiques uniquement pour les mouvements reconnus
-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("Cubisme_MobileNetV2_UL_c2_l0_v96_20251013_114051.keras")
-model_expressionnisme = tf.keras.models.load_model("Expressionnisme_MobileNetV2_UL_c2_l0_v84_20251012_232500.keras")
-model_postimp = tf.keras.models.load_model("Postimpressionnisme_MobileNetV2_UL_c2_l0_v89_20251013_111049.keras")
-
-# === Dictionnaire des modèles ===
-modeles_disponibles = {
-    "Cubisme": model_cubisme,
-    "Expressionnisme": model_expressionnisme,
-    "Post-impressionnisme": model_postimp
-}
-
-# === Fonction de prédiction ===
-def predire(image, mouvements_selectionnes):
-    # Vérifier qu'au moins un mouvement est sélectionné
-    if not mouvements_selectionnes:
-        return None, gr.update(value="⚠️ **Veuillez sélectionner au moins un mouvement pictural à analyser.**", visible=True)
-    
-    # Prétraitement
-    image_resized = tf.image.resize(image, (224, 224)) / 255.0
-    image_batch = tf.expand_dims(image_resized, axis=0)
-    
-    # Prédictions uniquement pour les modèles sélectionnés
-    resultats = {}
-    for mouvement in mouvements_selectionnes:
-        modele = modeles_disponibles[mouvement]
-        prob = float(modele.predict(image_batch, verbose=0)[0][0])
-        resultats[mouvement] = prob
-    
-    # Filtrer les mouvements reconnus (≥ 50%)
-    mouvements_reconnus = {m: p for m, p in resultats.items() if p >= 0.5}
-    
-    # Si aucun mouvement n'atteint 50%
-    if not mouvements_reconnus:
-        return None, gr.update(value="❌ **Aucun des mouvements picturaux sélectionnés n'a été reconnu.**", visible=True)
-    
-    # Tri par probabilité décroissante
-    mouvements_tries = sorted(mouvements_reconnus.items(), key=lambda x: x[1], reverse=True)
-    classes_triees = [m for m, _ in mouvements_tries]
-    probs_triees = [p for _, p in mouvements_tries]
-    
-    # Couleur verte pour tous (car tous sont ≥ 50%)
-    colors = ['#2ecc71'] * len(classes_triees)
-    
-    # === Construction du graphique ===
-    fig = go.Figure(go.Bar(
-        x=classes_triees,
-        y=probs_triees,
-        marker=dict(color=colors, line=dict(color='black', width=1)),
-        text=[f"{p*100:.1f}%" for p in probs_triees],
-        textposition='auto',
-        width=0.4
-    ))
-    
-    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="Mouvements picturaux<br>reconnus (≥ 50%)",
-            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, gr.update(visible=False)
-
-# === Interface Gradio ===
-with gr.Blocks(theme=gr.themes.Soft()) as demo:
-    gr.Markdown("# 🎨 Classification de style pictural (3 CNN binaires)")
-    gr.Markdown(
-        "Sélectionnez les mouvements picturaux à analyser. "
-        "Seuls ceux atteignant une probabilité ≥ 50% seront affichés."
-    )
-    
-    with gr.Row():
-        with gr.Column(scale=1):
-            image_input = gr.Image(type="numpy", label="Importer une œuvre")
-            
-            mouvements_checkbox = gr.CheckboxGroup(
-                choices=["Cubisme", "Expressionnisme", "Post-impressionnisme"],
-                value=["Cubisme", "Expressionnisme", "Post-impressionnisme"],
-                label="Mouvements à analyser",
-                info="Cochez les mouvements picturaux à tester"
-            )
-            
-            analyser_btn = gr.Button("🔍 Analyser", variant="primary", size="lg")
-        
-        with gr.Column(scale=1):
-            output_plot = gr.Plot(label="Résultats de la classification")
-            output_message = gr.Markdown(visible=False)
-    
-    analyser_btn.click(
-        fn=predire,
-        inputs=[image_input, mouvements_checkbox],
-        outputs=[output_plot, output_message]
-    )
-    
-    gr.Markdown(
-        "---\n"
-        "**Note :** Chaque CNN évalue indépendamment la probabilité d'appartenance "
-        "à un mouvement pictural. Les barres vertes indiquent une reconnaissance ≥ 50%."
-    )
-
-demo.launch()"""
 
 """
 # Première version