Create app.py

app.py

@@ -0,0 +1,50 @@
+import tensorflow as tf
+import numpy as np
+import gradio as gr
+from PIL import Image
+
+# Fonction convertissant l'image à la dimension exacte utilisée sur le training
+from PIL import Image
+
+def imageToArray(image_path):
+
+  width, height = 32, 32  #Remplacer par les dimensions requises par notre modèle
+
+  image = Image.open(image_path)
+  image = image.resize((width, height))
+  # Convertir l'image en numpy array et normaliser les valeurs des pixels (si nécessaire)
+  image_array = np.asarray(image)
+  image_array = image_array / 255.0  # Normaliser les valeurs des pixels entre 0 et 1
+
+  # Redimensionner la matrice image pour qu'elle correspond à la forme d'entrée de notre modèle
+  image_array = image_array.reshape(1, width, height, 3)
+
+  return image_array
+# 1. Charger le modèle entraîné (.h5)
+model = tf.keras.models.load_model("CNN_model.h5")  # change le nom si besoin
+
+# 2. Définir les classes CIFAR-10
+classes = [
+    "airplane", "automobile", "bird", "cat", "deer",
+    "dog", "frog", "horse", "ship", "truck"
+]
+
+# 3. Fonction de prétraitement + prédiction
+def predict(image):
+    image = image.resize((32, 32))         # Redimensionner à 32x32
+    image_array = np.array(image) / 255.0  # Normaliser
+    image_array = image_array.reshape(1, 32, 32, 3)  # Ajouter batch dimension
+    predictions = model.predict(image_array)[0]
+    result = {classes[i]: float(predictions[i]) for i in range(10)}
+    return result
+
+# 4. Interface Gradio
+gr.Interface(
+    fn=predict,
+    inputs=gr.Image(type="pil"),
+    outputs=gr.Label(num_top_classes=3),
+    title="Classificateur CIFAR-10",
+    theme='NoCrypt/miku',
+    description="Téléverse une image pour prédire sa classe parmi les 10 catégories CIFAR-10."
+).launch()
+