Upload STREAMLIT_TENSORFLOW_DE_BABONG.py

STREAMLIT_TENSORFLOW_DE_BABONG.py

@@ -0,0 +1,144 @@
+import streamlit as st
+import tensorflow as tf
+import numpy as np
+import matplotlib.pyplot as plt
+import seaborn as sns
+from PIL import Image
+import time
+
+# Chargement du modèle pré-entraîné
+model = tf.keras.models.load_model("babong_kidney_classification_model_Tensorflow.h5")
+
+# Redéfinition des classes (nouvelles légendes)
+class_names = ["Cyst", "Normal", "Stone", "Tumor"]
+
+# Configuration de la page et style global
+st.set_page_config(page_title="Analyse d'Imagerie Rénale", page_icon="🧬", layout="wide")
+st.markdown("""
+    <style>
+        body {
+            background-color: #e0f7fa;
+            font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;
+        }
+        .main {
+            background-color: #e0f7fa;
+        }
+        h1, h2, h3 {
+            color: #006064;
+            text-align: center;
+        }
+        .stButton>button {
+            background-color: #006064;
+            color: white;
+            border-radius: 5px;
+            padding: 10px 20px;
+        }
+        .upload-area {
+            border: 2px dashed #006064;
+            border-radius: 10px;
+            padding: 20px;
+            text-align: center;
+            background-color: #ffffff;
+            margin-bottom: 20px;
+        }
+        .result-card {
+            background-color: #ffffff;
+            border-radius: 10px;
+            padding: 20px;
+            margin-bottom: 20px;
+            box-shadow: 2px 2px 10px rgba(0,0,0,0.1);
+        }
+    </style>
+""", unsafe_allow_html=True)
+
+# Titre et description principale
+st.title("Analyse d'Imagerie Rénale 🧬")
+st.subheader("Diagnostic assisté par Intelligence Artificielle")
+st.write(
+    "Chargez vos radiographies rénales pour obtenir une prédiction détaillée sur la présence de Kyste, Calcul, Tumeur ou un état Normal.")
+
+# Zone de téléversement dans la barre latérale
+st.sidebar.header("Téléversement des Images")
+uploaded_files = st.sidebar.file_uploader(
+    "Glissez-déposez vos images ou cliquez ici (formats acceptés: JPG, PNG, JPEG)",
+    type=["jpg", "png", "jpeg"],
+    accept_multiple_files=True,
+    key="fileUploader"
+)
+
+if uploaded_files:
+    images = []
+    predictions_list = []
+
+    # Traitement de chaque image téléversée
+    for uploaded_file in uploaded_files:
+        with st.container():
+            st.markdown(f"<div class='result-card'><strong>Analyse de l'image : {uploaded_file.name}</strong></div>",
+                        unsafe_allow_html=True)
+            image = Image.open(uploaded_file)
+            st.image(image, caption=f"Image fournie : {uploaded_file.name}", use_column_width=True)
+
+            # Prétraitement de l'image
+            image_resized = image.resize((224, 224))
+            image_array = np.array(image_resized)
+            if image_array.shape[-1] == 4:  # Gestion des images avec canal alpha
+                image_array = image_array[..., :3]
+            image_array = np.expand_dims(image_array, axis=0) / 255.0
+
+            # Prédiction avec animation de chargement
+            with st.spinner("Analyse en cours..."):
+                time.sleep(2)
+                predictions = model.predict(image_array)
+
+            index = np.argmax(predictions)
+            predicted_label = class_names[index]
+            confidence = np.max(predictions)
+
+            predictions_list.append((predicted_label, confidence, predictions[0]))
+            images.append(image)
+
+            st.success(f"**Résultat :** {predicted_label}")
+            st.info(f"**Niveau de Confiance :** {confidence:.2f}")
+
+            # Affichage graphique des scores
+            fig, ax = plt.subplots(figsize=(6, 4))
+            sns.barplot(x=class_names, y=predictions[0], palette="viridis", ax=ax)
+            ax.set_ylim(0, 1)
+            ax.set_title("Répartition des Scores de Diagnostic", fontsize=14, color="#004d40")
+            ax.set_xlabel("Catégories", fontsize=12, color="#004d40")
+            ax.set_ylabel("Score", fontsize=12, color="#004d40")
+            st.pyplot(fig)
+
+    # Si deux images sont téléversées, comparaison côte à côte
+    if len(images) == 2:
+        st.markdown("<hr>", unsafe_allow_html=True)
+        st.subheader("Comparaison Visuelle et Statistique")
+        col1, col2 = st.columns(2)
+        with col1:
+            st.image(images[0], caption="Image A", use_column_width=True)
+            st.write(f"**Diagnostic :** {predictions_list[0][0]}")
+            st.write(f"**Score :** {predictions_list[0][1]:.2f}")
+        with col2:
+            st.image(images[1], caption="Image B", use_column_width=True)
+            st.write(f"**Diagnostic :** {predictions_list[1][0]}")
+            st.write(f"**Score :** {predictions_list[1][1]:.2f}")
+
+        # Graphique comparatif des deux images
+        fig, ax = plt.subplots(figsize=(8, 4))
+        x = np.arange(len(class_names))
+        width = 0.35
+        ax.bar(x - width / 2, predictions_list[0][2], width, label="Image A", color="#00796b")
+        ax.bar(x + width / 2, predictions_list[1][2], width, label="Image B", color="#c62828")
+        ax.set_xticks(x)
+        ax.set_xticklabels(class_names)
+        ax.legend(title="Images", fontsize=10)
+        ax.set_title("Comparaison des Scores de Classification", fontsize=14, color="#004d40")
+        ax.set_ylabel("Score de Classification", fontsize=12, color="#004d40")
+        st.pyplot(fig)
+
+# Note informative en bas de page
+st.markdown("""
+    <div style='text-align: center; padding: 20px;'>
+        <em>Attention : Ce système fournit une aide au diagnostic basée sur l'IA. Pour un diagnostic définitif, consultez un professionnel de santé.</em>
+    </div>
+""", unsafe_allow_html=True)