Préparation pour le déploiement sur Hugging Face Spaces

.gradio/flagged/dataset1.csv

@@ -0,0 +1,2 @@
+image,Probabilités,Conseil de recyclage,timestamp
+.gradio\flagged\image\34ad0ea40fb6179c73c5\Capture.PNG,"{""label"": null, ""confidences"": null}",,2024-10-18 16:14:41.266438

README copy.md

@@ -0,0 +1,28 @@
+# Classification de Déchets avec MobileNetV2
+
+Cette application utilise un modèle pré-entraîné pour classifier les images de déchets en différentes catégories et fournit des conseils de recyclage.
+
+## Fonctionnalités
+
+- Classification des déchets en 6 catégories : carton, verre, métal, papier, plastique, ordures.
+- Affichage des probabilités pour les 3 meilleures catégories.
+- Conseils de recyclage spécifiques à chaque catégorie.
+
+## Installation
+
+1. Clonez le dépôt :https://github.com/Amirgu/trash_classification
+2. Installez les dépendances : pip install -r requirements.txt 
+3. Lancer l'application : python app.py
+
+## Utilisation
+
+- Accédez à l'interface web qui s'ouvre dans votre navigateur.
+- Téléchargez une image de déchet pour obtenir la classification et les conseils.
+
+## Déploiement sur Hugging Face Spaces
+
+Suivez les instructions fournies pour déployer l'application sur Hugging Face Spaces.
+
+## Licence
+
+Ce projet est sous licence MIT.

app.py

@@ -0,0 +1,71 @@
+from huggingface_hub import hf_hub_download
+import gradio as gr
+import tensorflow as tf
+import numpy as np
+from tensorflow.keras.preprocessing.image import img_to_array
+from PIL import Image
+# Télécharger le fichier du modèle
+model_path = hf_hub_download(
+    repo_id="ghifariaulia/mobilenetv2-trashnet", filename="mobilenetv2-trashnet.h5")
+
+# Charger le modèle
+model = tf.keras.models.load_model(model_path)
+class_names = ['cardboard', 'glass', 'metal', 'paper', 'plastic', 'trash']
+
+
+def preprocess_image(image):
+    # Redimensionner l'image à la taille attendue par le modèle
+    img = image.resize((224, 224))
+    # Convertir l'image en tableau numpy
+    img_array = img_to_array(img)
+    # Normaliser les pixels
+    img_array = img_array / 255.0
+    # Ajouter une dimension pour le batch
+    img_array = np.expand_dims(img_array, axis=0)
+    return img_array
+
+
+def predict_image(image):
+    # Prétraiter l'image
+    img_array = preprocess_image(image)
+    # Faire la prédiction
+    predictions = model.predict(img_array)[0]
+    # Obtenir les probabilités pour chaque classe
+    confidences = {class_names[i]: float(
+        predictions[i]) for i in range(len(class_names))}
+    # Obtenir la classe prédite
+    predicted_class = np.argmax(predictions)
+    class_label = class_names[predicted_class]
+    # Obtenir le conseil de recyclage
+    tip = recycling_tips[class_label]
+    # Retourner les informations
+    return confidences, f"Catégorie prédite : {class_label}\nConseil : {tip}"
+
+
+recycling_tips = {
+    'cardboard': 'Pliez le carton et évitez de le mouiller avant de le recycler.',
+    'glass': 'Retirez les bouchons et rincez les contenants en verre.',
+    'metal': 'Rincez les canettes et boîtes métalliques avant de les recycler.',
+    'paper': 'Évitez de recycler le papier sale ou gras.',
+    'plastic': 'Vérifiez le symbole de recyclage et triez en conséquence.',
+    'trash': 'Cet article n\'est pas recyclable, veuillez le jeter correctement.',
+}
+
+iface = gr.Interface(
+    fn=predict_image,
+    inputs=gr.Image(type="pil"),
+    outputs=[
+        gr.Label(num_top_classes=3, label="Probabilités"),
+        gr.Textbox(label="Conseil de recyclage")
+    ],
+    examples=[
+
+        ["examples/plastic.png"]
+    ],
+    title="Classification de déchets avec MobileNetV2",
+    description="Téléchargez une image de déchet pour connaître sa catégorie et obtenir des conseils de recyclage.",
+    flagging_mode="never"
+)
+
+# Lancer l'application
+iface.launch()

requirements.txt

@@ -0,0 +1,5 @@
+tensorflow>=2.0.0
+gradio>=3.0.0
+huggingface_hub
+numpy
+pillow