Create app.py

app.py

@@ -0,0 +1,48 @@
+import gradio as gr
+import tensorflow as tf
+import numpy as np
+import cv2
+import os
+
+# Charger le générateur pré-entraîné
+generator = tf.keras.models.load_model('generator.h5')  # Le modèle est sauvegardé dans le même dossier
+
+# Dimension du bruit latent
+LATENT_DIM = 100
+
+# 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)
+    
+    # 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]
+        out.write(frame)
+    
+    out.release()
+    return out_path
+
+# 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.",
+)
+
+# Lancer l'interface Gradio
+iface.launch()