Update app.py

app.py

@@ -1,48 +1,46 @@
-import gradio as gr
+import os
+os.environ["CUDA_VISIBLE_DEVICES"] = "-1"  # Désactiver l'utilisation des GPU
 import tensorflow as tf
 import numpy as np
 import cv2
-import os
+import gradio as gr
 
-# Charger le générateur pré-entraîné
-generator = tf.keras.models.load_model('generator.h5')  # Le modèle est sauvegardé dans le même dossier
+# Charger le modèle générateur
+generator = tf.keras.models.load_model('generator_cpu_compatible.h5')  # Modèle préparé pour CPU
 
-# Dimension du bruit latent
-LATENT_DIM = 100
+# Génération de vidéos à partir de bruit aléatoire
+def generate_video():
+    # Générer un bruit aléatoire (entrée pour le générateur)
+    noise = np.random.normal(0, 1, (1, 16, 64, 64, 3))
+    generated_video = generator.predict(noise)  # Génération de la vidéo
 
-# Fonction pour générer une vidéo à partir du bruit latent
-def generate_video(latent_vector):
-    # Convertir le latent_vector en format numpy
-    latent_vector = np.array(latent_vector).reshape(1, LATENT_DIM)
-    
-    # Générer une vidéo avec le générateur
-    generated_video = generator.predict(latent_vector)
+    # Normaliser les données générées
+    video = (generated_video[0] * 255).astype(np.uint8)  # Convertir en entier 8 bits
+    filename = "generated_video.mp4"
     
-    # Convertir la vidéo générée en une forme compréhensible pour Gradio
-    generated_video = ((generated_video + 1) * 127.5).astype(np.uint8)
-    
-    # Créer un fichier vidéo temporaire avec OpenCV pour Gradio
-    out_path = "/tmp/generated_video.mp4"
-    fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # Codec pour mp4
-    out = cv2.VideoWriter(out_path, fourcc, 10, (64, 64))  # 10 FPS, dimensions 64x64
-    
-    # Ajouter chaque frame à la vidéo
-    for i in range(generated_video.shape[1]):
-        frame = generated_video[0, i]
+    # Sauvegarder la vidéo
+    fourcc = cv2.VideoWriter_fourcc(*'mp4v')  # Codec vidéo
+    height, width, _ = video[0].shape
+    out = cv2.VideoWriter(filename, fourcc, 15, (width, height))  # 15 FPS
+
+    # Ajouter les frames dans le fichier vidéo
+    for frame in video:
         out.write(frame)
-    
     out.release()
-    return out_path
+
+    return filename
 
 # Interface Gradio
-iface = gr.Interface(
-    fn=generate_video,  # Fonction à exécuter
-    inputs=gr.inputs.Textbox(label="Latent Vector (100 dimensions)", default="0.5, 0.5, 0.5, ..., 0.5"),
-    outputs=gr.outputs.Video(type="file"),  # Sortie vidéo
-    live=True,  # Permet de générer une vidéo immédiatement lorsque le latent vector est modifié
-    title="Générateur de Vidéos GAN",  # Titre de l'interface
-    description="Entrez un vecteur latent de 100 dimensions pour générer une vidéo.",
-)
+def interface_function():
+    # Appeler la fonction de génération et retourner la vidéo générée
+    video_file = generate_video()
+    return video_file
 
-# Lancer l'interface Gradio
-iface.launch()
+# Définir l'interface avec Gradio
+gr.Interface(
+    fn=interface_function,  # Fonction à exécuter
+    inputs=[],              # Pas d'entrée utilisateur
+    outputs=gr.Video(label="Vidéo générée"),  # Vidéo en sortie
+    title="Générateur de Vidéos avec IA",
+    description="Cliquez sur le bouton ci-dessous pour générer une vidéo aléatoire avec l'IA."
+).launch(server_name="0.0.0.0", server_port=7860)