Update app.py

app.py

@@ -9,11 +9,10 @@ import os
 import tempfile
 from pathlib import Path
 
-# Import EXACT SAME functions from main.py
 from preprocess import preprocess_image
 from train import create_model
 
-# Charger l'ordre des classes depuis le fichier généré par train.py
+# On charge l'ordre des classes depuis le fichier généré par train.
 try:
     with open('./class_indices.json', 'r') as f:
         class_indices = json.load(f)
@@ -23,7 +22,7 @@ try:
         PIECES[idx] = name
     print(f"Ordre des classes chargé: {PIECES}")
 except FileNotFoundError:
-    # Fallback sur ordre alphabétique si le fichier n'existe pas
+    # Si jamais le fichier n'est pas load correctement ou erreur
     PIECES = ['Bishop_Black', 'Bishop_White', 'Empty', 'King_Black', 'King_White', 'Knight_Black',
               'Knight_White', 'Pawn_Black', 'Pawn_White', 'Queen_Black', 'Queen_White', 'Rook_Black', 'Rook_White']
     print(f"Fichier class_indices.json non trouvé, utilisation ordre par défaut")
@@ -44,7 +43,7 @@ LABELS = {
     'Pawn_Black': 'p',
 }
 
-# Load model at startup (EXACT SAME as main.py)
+# On charge notre modele
 print("Loading model...")
 model = create_model()
 model.load_weights('./model_weights.weights.h5')
@@ -52,9 +51,8 @@ print("Model loaded!")
 
 
 def classify_image(img):
-    '''Given an image of a single piece, classifies it into one of the classes
-    defined in PIECES.'''
-    # IMPORTANT: Normaliser l'image comme dans l'entraînement (rescale=1/255)
+    # On donne une image d'une pièce unique, on la classifie en une seule classe definie (Son nom est PIECE)
+    # Ici on normalise notre image comme dans notre entrainement (ici on fait un rescale=1/255)
     if img.max() > 1.0:
         img = img.astype(np.float32) / 255.0
     else:
@@ -82,7 +80,7 @@ def analyze_board(img):
             row.append(LABELS[piece])
         arr.append(row)
 
-    # King-Queen heuristic
+    # Ajustement King-Queen detection
     blackKing = False
     whiteKing = False
     whitePos = (-1, -1)
@@ -126,12 +124,12 @@ def board_to_fen(board):
 
 
 def analyze_chess_image(image_input):
-    """Gradio wrapper around main.py logic"""
+    # Logique gradio pour notre main.
     if image_input is None:
         return "❌ No image provided", None
     
     try:
-        # Save to temp file (needed for preprocess_image which expects file path)
+        # On sauvegarde temporairement 
         with tempfile.NamedTemporaryFile(suffix='.jpg', delete=False) as tmp:
             if isinstance(image_input, np.ndarray):
                 cv2.imwrite(tmp.name, cv2.cvtColor(image_input, cv2.COLOR_RGB2BGR))
@@ -139,18 +137,18 @@ def analyze_chess_image(image_input):
                 image_input.save(tmp.name)
             temp_path = tmp.name
         
-        # EXACT SAME as main.py: preprocess_image() uses LAPS!
+        # preprocess_image() utilise le modele LAPS
         img = preprocess_image(temp_path, save=False)
         
         # EXACT SAME as main.py
         arr = analyze_board(img)
         fen = board_to_fen(arr)
         
-        # Generate board visualization
+        # On génère l'echiquier
         board = chess.Board(fen)
         board_svg = chess.svg.board(board=board, size=400)
         
-        # Cleanup
+        # on clean le fichier temporairement sauvegarder
         os.unlink(temp_path)
         
         return f"{fen}", board_svg
@@ -162,13 +160,11 @@ def analyze_chess_image(image_input):
 
 
 # Build Gradio interface
-with gr.Blocks(title="Chess Board Analyzer", theme=gr.themes.Soft()) as demo:
+with gr.Blocks(title="Chess Board picture -> FEN notation", theme=gr.themes.Soft()) as demo:
     gr.Markdown("""
-    # ♟️ Chess Board Analyzer
+    # ♟️ YOCO: You Only Look Once
     
     Upload a chess board image to automatically detect all pieces and get the FEN notation.
-    
-    **Uses EXACT SAME preprocessing (LAPS) and model as main.py**
     """)
     
     with gr.Row():