modif onglet

app.py

@@ -6,23 +6,21 @@ from scripts.inference import (
     base_model_inference,
     fine_tuned_inference
 )
+from pathlib import Path
 
 def predict_with_model(text, model_type):
     """
-    Applique la stratégie de classification sélectionnée sur un texte donné
-    et retourne la catégorie prédite avec les scores de confiance.
+    Applique une stratégie de classification sur un texte donné.
 
     Args:
-        text (str): Le texte à analyser (actualité).
-        model_type (str): Le type de modèle sélectionné ("Zero-shot", "Few-shot", etc.).
+        text (str): Le texte d’actualité à analyser.
+        model_type (str): Le modèle choisi ("Zero-shot", "Few-shot", etc.).
 
     Returns:
         tuple:
             - str: Catégorie prédite.
-            - pandas.DataFrame: Tableau des scores de confiance par classe.
+            - pandas.DataFrame: Score de confiance par classe.
     """
-
-    #Sélection du modèle d'inférence en fonction du choix utilisateur
     if model_type == "Zero-shot":
         prediction, scores = zero_shot_inference(text)
     elif model_type == "Few-shot":
@@ -34,41 +32,53 @@ def predict_with_model(text, model_type):
     else:
         return "Modèle inconnu", pd.DataFrame()
 
-    #Convertit les scores (dict) en DataFrame pour affichage dans Gradio
+    # Convertir le dictionnaire des scores en DataFrame pour affichage
     scores_df = pd.DataFrame([
         {"Classe": label, "Score": score} for label, score in scores.items()
     ])
-
     return prediction, scores_df
 
-#Définition de l'interface utilisateur avec Gradio
-iface = gr.Interface(
-    fn=predict_with_model,  #Fonction appelée au clic de l'utilisateur
-    inputs=[
-        gr.Textbox(
+# === Interface Gradio avec deux onglets ===
+with gr.Blocks(title="Classification AG News (4 stratégies)") as app:
+
+    gr.Markdown("# 📰 Classification de textes AG News")
+    gr.Markdown("Cette application compare plusieurs approches NLP pour classer des actualités.")
+
+    with gr.Tab("🧠 Inférence"):
+        gr.Markdown("### ✍️ Entrez une phrase d'actualité à analyser")
+
+        # Entrées utilisateur
+        input_text = gr.Textbox(
             lines=4,
-            placeholder="Entrez une phrase d'actualité ici...",
+            placeholder="Ex: Apple lance un nouveau produit basé sur l'intelligence artificielle...",
             label="Texte à classifier"
-        ),
-        gr.Radio(
+        )
+
+        model_choice = gr.Radio(
             choices=["Base model", "Zero-shot", "Few-shot", "Fine-tuned"],
             label="Choisir le modèle",
-            value="Base model"                  #Valeur par défaut
+            value="Base model"
         )
-    ],
-    outputs=[
-        gr.Label(label="Catégorie prédite"),    #Affiche la prédiction principale
-        gr.BarPlot(                             #Affiche les scores de confiance
-            label="Scores de confiance",
-            x="Classe",
-            y="Score",
-            color="Classe"
+
+        predict_button = gr.Button("🔍 Prédire")
+
+        # Sorties
+        label_output = gr.Label(label="🧾 Catégorie prédite")
+        scores_output = gr.BarPlot(
+            label="📊 Scores de confiance",
+            x="Classe", y="Score", color="Classe"
         )
-    ],
-    title="Classification AG News (4 stratégies)",
-    description="Comparer un modèle préentraîné, Zero-shot, Few-shot et Fine-tuned sur AG News"
-)
 
-#Lancement de l'application
+        # Action sur clic bouton
+        predict_button.click(
+            fn=predict_with_model,
+            inputs=[input_text, model_choice],
+            outputs=[label_output, scores_output]
+        )
+
+    with gr.Tab("📄 Documentation"):
+        gr.Markdown(Path("README.md").read_text())
+
+# Lancer l'app
 if __name__ == "__main__":
-    iface.launch()
+    app.launch()