Update predict.py

predict.py

@@ -68,81 +68,17 @@ def predict_pytorch(image_path: str, model_path: str = "sara_model.pth") -> dict
 
 def predict_tensorflow(image_path: str, model_path: str = "sara_model.h5") -> dict:
     import tensorflow as tf
+    import numpy as np
 
-    # ── Couche Dense patchée qui ignore quantization_config ───────────────
-    # Problème : Keras 3.x sauvegarde quantization_config=None dans le .keras
-    # mais Keras 2.x ne connaît pas cet argument → erreur de désérialisation
-    # Solution : on surcharge Dense pour accepter et ignorer cet argument
-    class PatchedDense(tf.keras.layers.Dense):
-        def __init__(self, *args, **kwargs):
-            # Supprimer les arguments inconnus avant d'appeler le vrai Dense
-            kwargs.pop("quantization_config", None)
-            super().__init__(*args, **kwargs)
-
-    # ── Couche SeparableConv2D patchée (même raison) ───────────────────────
-    class PatchedSeparableConv2D(tf.keras.layers.SeparableConv2D):
-        def __init__(self, *args, **kwargs):
-            kwargs.pop("quantization_config", None)
-            super().__init__(*args, **kwargs)
-
-    # ── Couche BatchNormalization patchée ──────────────────────────────────
-    class PatchedBatchNorm(tf.keras.layers.BatchNormalization):
-        def __init__(self, *args, **kwargs):
-            kwargs.pop("quantization_config", None)
-            super().__init__(*args, **kwargs)
-
-    # ── Chargement avec les couches patchées ──────────────────────────────
-    custom_objects = {
-        "Dense":               PatchedDense,
-        "SeparableConv2D":     PatchedSeparableConv2D,
-        "BatchNormalization":  PatchedBatchNorm,
-    }
+    # Format .h5 = compatible toutes versions Keras, chargement simple
+    model = tf.keras.models.load_model(model_path, compile=False)
+
+    # Prétraitement
+    img = tf.keras.utils.load_img(image_path, target_size=(150, 150))
+    arr = tf.keras.utils.img_to_array(img) / 255.0
+    arr = np.expand_dims(arr, axis=0)
 
-    try:
-        # Essai 1 : chargement normal (fonctionne si versions compatibles)
-        model = tf.keras.models.load_model(model_path)
-        print("[TF] Modèle chargé normalement.")
-
-    except Exception as e1:
-        print(f"[TF] Chargement normal échoué ({e1}), tentative avec custom_objects...")
-
-        try:
-            # Essai 2 : avec les couches patchées
-            model = tf.keras.models.load_model(
-                model_path,
-                custom_objects=custom_objects
-            )
-            print("[TF] Modèle chargé avec custom_objects.")
-
-        except Exception as e2:
-            print(f"[TF] Echec avec custom_objects ({e2}), tentative safe_mode=False...")
-
-            try:
-                # Essai 3 : safe_mode=False (Keras 3.x uniquement)
-                model = tf.keras.models.load_model(
-                    model_path,
-                    safe_mode=False,
-                    custom_objects=custom_objects
-                )
-                print("[TF] Modèle chargé avec safe_mode=False.")
-
-            except Exception as e3:
-                raise RuntimeError(
-                    f"Impossible de charger le modèle TensorFlow.\n"
-                    f"Essai 1 : {e1}\n"
-                    f"Essai 2 : {e2}\n"
-                    f"Essai 3 : {e3}\n\n"
-                    f"Solution : Ré-entraîne et sauvegarde le modèle avec "
-                    f"la même version de TensorFlow que celle du serveur."
-                )
-
-    # ── Prétraitement de l'image ──────────────────────────────────────────
-    img = tf.keras.utils.load_img(image_path, target_size=IMAGE_SIZE)
-    arr = tf.keras.utils.img_to_array(img)   # (H, W, 3), valeurs 0-255
-    arr = arr / 255.0                         # normalisation → 0-1
-    arr = np.expand_dims(arr, axis=0)         # ajout dimension batch → (1, H, W, 3)
-
-    # ── Inférence ─────────────────────────────────────────────────────────
+    # Prédiction
     probs      = model.predict(arr, verbose=0)[0]
     idx        = int(np.argmax(probs))
     pred_class = CLASS_NAMES[idx]