Add application file

Dockerfile

@@ -0,0 +1,19 @@
+# Utiliser une image Python officielle comme base
+FROM python:3.9-slim
+
+# Définir le dossier de travail dans le conteneur
+WORKDIR /code
+
+# Copier le fichier des dépendances et les installer
+COPY ./requirements.txt /code/requirements.txt
+RUN pip install --no-cache-dir --upgrade -r /code/requirements.txt
+
+# Copier le code de notre application dans le conteneur
+COPY ./app /code/app
+
+# Exposer le port sur lequel l'application va tourner
+EXPOSE 8000
+
+# Commande pour lancer l'application quand le conteneur démarre
+# Uvicorn est un serveur pour les applications FastAPI
+CMD ["uvicorn", "app.main:app", "--host", "0.0.0.0", "--port", "8000"]

app/main.py

@@ -0,0 +1,54 @@
+# app/main.py
+
+from fastapi import FastAPI, File, UploadFile
+from tensorflow.keras.applications.mobilenet_v2 import MobileNetV2, preprocess_input, decode_predictions
+from tensorflow.keras.preprocessing import image
+import numpy as np
+import io
+
+# 1. Initialiser l'application FastAPI
+app = FastAPI(title="API de classification d'images", description="Une API simple pour classifier des images avec MobileNetV2.")
+
+# 2. Charger le modèle de Deep Learning (il sera téléchargé la première fois)
+model = MobileNetV2(weights='imagenet')
+
+# 3. Fonction pour traiter l'image et faire la prédiction
+def predict(image_data):
+    # Charger l'image depuis les données reçues
+    img = image.load_img(io.BytesIO(image_data), target_size=(224, 224))
+    
+    # Convertir l'image en tableau NumPy
+    img_array = image.img_to_array(img)
+    
+    # Ajouter une dimension pour correspondre à l'entrée du modèle (batch)
+    img_array_expanded = np.expand_dims(img_array, axis=0)
+    
+    # Prétraiter l'image pour le modèle MobileNetV2
+    preprocessed_img = preprocess_input(img_array_expanded)
+    
+    # Faire la prédiction
+    predictions = model.predict(preprocessed_img)
+    
+    # Décoder les prédictions en labels lisibles (ex: 'chat', 'chien')
+    decoded_predictions = decode_predictions(predictions, top=3)[0]
+    
+    # Formatter le résultat
+    result = [{"label": label, "probability": float(prob)} for (id, label, prob) in decoded_predictions]
+    
+    return result
+
+# 4. Définir le "endpoint" de l'API
+@app.post("/predict/")
+async def create_upload_file(file: UploadFile = File(...)):
+    # Lire le contenu du fichier envoyé
+    image_data = await file.read()
+    
+    # Obtenir les prédictions
+    prediction_result = predict(image_data)
+    
+    return {"filename": file.filename, "predictions": prediction_result}
+
+# Un endpoint simple pour vérifier que l'API fonctionne
+@app.get("/")
+def read_root():
+    return {"message": "Bienvenue ! Envoyez une image à l'endpoint /predict/"}

requirements.txt

@@ -0,0 +1,5 @@
+fastapi
+uvicorn
+tensorflow
+numpy
+Pillow