Update app.py

app.py

@@ -8,6 +8,131 @@ model_cubisme = tf.keras.models.load_model("Cubisme_MobileNetV2_UL_c2_l0_v96_202
 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 "⚠️ Veuillez sélectionner au moins un mouvement pictural à analyser."
+    
+    # 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 "❌ Aucun des mouvements picturaux sélectionnés n'a été reconnu."
+    
+    # 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'
+    ))
+    
+    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
+
+# === 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")
+    
+    analyser_btn.click(
+        fn=predire,
+        inputs=[image_input, mouvements_checkbox],
+        outputs=output_plot
+    )
+    
+    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
+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")
+
 # === Liste des classes ===
 classes = ["Cubisme", "Expressionnisme", "Post-impressionnisme"]
 
@@ -65,4 +190,4 @@ demo = gr.Interface(
     theme=gr.themes.Soft()
 )
 
-demo.launch()
+demo.launch()"""