modif

app.py

@@ -8,8 +8,76 @@ from scripts.inference import (
 )
 
 #Lire le README.md
-with open("README.md", "r", encoding="utf-8") as f:
-    readme_content = f.read()
+readme_content = """# 📰 AG News Text Classification Demo
+
+Ce projet présente une application de classification de textes d’actualité basée sur le dataset **AG News**.  
+L'objectif est de comparer plusieurs stratégies d'inférence de modèles Transformers pour la classification de texte.
+
+---
+
+## 🚀 Démo en ligne
+
+L’application est disponible ici :  
+[**Lien vers la démo Hugging Face Space**](https://huggingface.co/spaces/Merwan611/classification-text) 
+
+---
+
+## 📂 Organisation du projet
+
+- `app.py` : interface Gradio avec deux onglets (`Demo` + `Documentation`)
+- `scripts/inference.py` : fonctions d’inférence pour 4 types de modèles
+- `scripts/train.py` : script d’entraînement du modèle BERT fine-tuné sur AG News
+- `scripts/utils.py` : calcul des métriques d’évaluation (accuracy, F1, etc.)
+- `requirements.txt` : liste des dépendances Python
+
+---
+
+## 🧠 Description des modèles utilisés
+
+1. **Base model**  
+   Modèle BERT préentraîné `textattack/bert-base-uncased-ag-news` utilisé directement sans fine-tuning.
+
+2. **Zero-shot**  
+   Modèle `facebook/bart-large-mnli` utilisé pour classification zero-shot via pipeline Hugging Face.
+
+3. **Few-shot**  
+   Approche zero-shot avec exemples dans le prompt (prompt engineering).
+
+4. **Fine-tuned model**  
+   Modèle BERT `bert-base-uncased` entraîné sur un sous-ensemble équilibré du dataset AG News (3000 exemples par classe), sauvegardé sur Hugging Face Hub sous `Merwan611/agnews-finetuned-bert`.
+
+---
+
+## 📊 Données et entraînement
+
+- **Dataset** : AG News (4 classes : World, Sports, Business, Sci/Tech)
+- **Préprocessing** : tokenisation avec `AutoTokenizer` BERT
+- **Entraînement** : 3 epochs, batch size 32, métrique optimisée : accuracy
+- **Sous-échantillonnage** pour accélérer l’entraînement : 3000 exemples par classe pour le train, 1000 par classe pour le test
+
+---
+
+## 📈 Performances
+
+Les métriques calculées sont :  
+- Accuracy  
+- Precision (moyenne pondérée)  
+- Recall (moyenne pondérée)  
+- F1-score (moyenne pondérée)
+
+Le modèle fine-tuné atteint généralement une meilleure précision que le modèle de base ou les approches zero-shot.
+
+---
+
+## ⚙️ Lancer l’application localement
+
+1. Cloner le repo  
+2. Créer un environnement virtuel Python  
+3. Installer les dépendances :  
+   ```bash
+   pip install -r requirements.txt
+4. Lancer python app.py"""
+
 
 def predict_with_model(text, model_type):
     """