Initial commit

Dockerfile.dockerfile

@@ -0,0 +1,12 @@
+FROM python:3.10
+
+# Installer dépendances
+WORKDIR /app
+COPY requirements.txt .
+RUN pip install --no-cache-dir -r requirements.txt
+
+# Copier le code
+COPY . .
+
+# Lancer l'application avec Gunicorn
+CMD ["gunicorn", "app:app", "--bind", "0.0.0.0:7860"]

Procfile

@@ -0,0 +1 @@
+web: python app.py

README.md

@@ -0,0 +1,8 @@
+# API Alzheimer avec Flask + Hugging Face + Render
+
+Cette API prend en entrée une image et retourne une prédiction en utilisant un modèle TensorFlow Lite stocké sur Hugging Face.
+
+## Déploiement
+- Code hébergé sur GitHub
+- Modèle hébergé sur Hugging Face
+- API déployée sur Render

app.py

@@ -0,0 +1,38 @@
+from flask import Flask, request, jsonify
+import tensorflow as tf
+import numpy as np
+import os
+from huggingface_hub import hf_hub_download
+from utils import preprocess_image
+
+app = Flask(__name__)
+
+# Récupérer le modèle depuis Hugging Face Hub
+MODEL_PATH = hf_hub_download(
+    repo_id="aroussya/alzheimer-tflite",
+    filename="alzheimer_model_float32.tflite",
+    token=os.getenv("HF_TOKEN")  # le token est dans l'environnement
+)
+
+# Charger le modèle TFLite
+interpreter = tf.lite.Interpreter(model_path=MODEL_PATH)
+interpreter.allocate_tensors()
+
+input_details = interpreter.get_input_details()
+output_details = interpreter.get_output_details()
+
+@app.route("/predict", methods=["POST"])
+def predict():
+    data = request.get_json()
+    image = np.array(data['image'], dtype=np.float32)
+    image = preprocess_image(image)
+
+    interpreter.set_tensor(input_details[0]['index'], image)
+    interpreter.invoke()
+    output_data = interpreter.get_tensor(output_details[0]['index'])
+    prediction = output_data.tolist()[0]
+
+    return jsonify({"prediction": prediction})
+
+if __name__ == "__main__":
+    app.run(host="0.0.0.0", port=7860)

requirements.txt

@@ -0,0 +1,6 @@
+flask
+numpy
+tensorflow
+huggingface-hub
+gunicorn
+opencv-python

utils.py

@@ -0,0 +1,14 @@
+import numpy as np
+import cv2
+
+def preprocess_image(image_array):
+    """
+    Prépare l'image pour le modèle TFLite.
+    - Redimensionne à 128x128 (adapter si ton modèle a une autre taille d'entrée)
+    - Normalise entre 0 et 1
+    - Ajoute la dimension batch
+    """
+    image = np.array(image_array, dtype=np.float32)
+    image = cv2.resize(image, (128, 128))
+    image = image / 255.0
+    return image.reshape(1, 128, 128, 3)