|
|
--- |
|
|
title: Bsyrx |
|
|
emoji: 🦴 |
|
|
colorFrom: blue |
|
|
colorTo: indigo |
|
|
sdk: gradio |
|
|
sdk_version: "4.29.0" |
|
|
app_file: app.py |
|
|
pinned: false |
|
|
--- |
|
|
|
|
|
# Détection de fracture (Radiographie) — Prototype (FR) |
|
|
|
|
|
Application Gradio gratuite (CPU) pour détecter des fractures sur des radiographies. Interface 100% en ligne, aucun téléchargement de base de données requis. Le modèle de détection (boîtes) est entraîné sur le poignet (GRAZPEDWRI-DX). Les autres régions sont exploratoires. |
|
|
|
|
|
## Utilisation |
|
|
1. Téléversez une radiographie (PNG/JPG, niveaux de gris ou RGB acceptés). |
|
|
2. Choisissez la région anatomique (Poignet recommandé pour la détection par boîtes). |
|
|
3. Cliquez sur « Analyser » pour afficher l’image annotée et les détails en JSON. |
|
|
|
|
|
## Avertissement médical |
|
|
- Cet outil n’est pas un dispositif médical. |
|
|
- Il ne remplace pas l’avis d’un(e) radiologue/médecin. |
|
|
- À utiliser comme aide indicative uniquement. |
|
|
|
|
|
## Déploiement sur Hugging Face Spaces |
|
|
- SDK: Gradio |
|
|
- Fichier d’entrée: `app.py` |
|
|
- Matériel: CPU Basic |
|
|
- Visibilité: Public |
|
|
- Paramètres Runtime: activez « Internet » (nécessaire pour télécharger le modèle ONNX la première fois). |
|
|
|
|
|
### Fichiers requis |
|
|
- `app.py` |
|
|
- `requirements.txt` |
|
|
- `README.md` (ce fichier) |
|
|
|
|
|
### Dépendances (extrait) |
|
|
- gradio |
|
|
- onnxruntime (CPU) |
|
|
- opencv-python-headless |
|
|
- numpy, pillow, requests |
|
|
|
|
|
## Modèle |
|
|
- YOLOv7 (poignet) — poids ONNX téléchargés automatiquement: |
|
|
- https://github.com/mdciri/YOLOv7-Bone-Fracture-Detection/releases/download/trained-models/yolov7-p6-bonefracture.onnx |
|
|
|
|
|
Le fichier est mis en cache dans le dossier `models/` du Space (persistant entre redémarrages, réinitialisé en cas de reconstruction). |
|
|
|
|
|
## Limites connues |
|
|
- Détection par boîtes principalement fiable sur le poignet (dataset GRAZPEDWRI-DX). |
|
|
- Autres régions: résultats exploratoires; ajouter d’autres poids spécifiques améliorera la couverture. |
|
|
- Sensibilité à la qualité de l’image et au positionnement. |
|
|
|
|
|
## Crédits |
|
|
- Dataset GRAZPEDWRI-DX. |
|
|
- Implémentation et poids YOLOv7 adaptés au poignet (référence GitHub mdciri/YOLOv7-Bone-Fracture-Detection). |
|
|
|
