Update app.py

app.py

@@ -3,52 +3,54 @@ import gradio as gr
 import numpy as np
 import cv2
 
-# Load model
+# 1. Load Model (Optimized load)
 model = tf.keras.models.load_model('TP_MNIST_CNN_model.h5')
 
-def preprocess_and_predict(input_data):
+def predict_digit(input_data):
+    """
+    Pipeline de prédiction robuste :
+    1. Gestion du format d'entrée (Gradio 4 renvoie parfois un dict).
+    2. Resize vers 28x28 (Interpolation AREA pour préserver les traits).
+    3. Conversion Grayscale.
+    4. Inversion des couleurs (Adaptation domaine Humain -> Machine).
+    5. Normalisation et inférence.
+    """
     if input_data is None:
         return None
-        
-    # Gradio 4.x Sketchpad returns a dict usually: {'composite': array, 'layers': [...]}
-    # We take the composite image
-    if isinstance(input_data, dict):
-        image = input_data['composite']
-    else:
-        image = input_data
-
-    # 1. Resize to MNIST standard (28x28)
-    # Interpolation AREA is better for shrinking images without losing thin lines
-    image = cv2.resize(image, (28, 28), interpolation=cv2.INTER_AREA)
 
-    # 2. Convert to Grayscale (if RGB/RGBA)
+    # Gradio 4 handle : input_data peut être un dictionnaire {'composite': ...}
+    image = input_data["composite"] if isinstance(input_data, dict) else input_data
+
+    # Pipeline OpenCV
+    # Resize vers 28x28
+    image = cv2.resize(image, (28, 28), interpolation=cv2.INTER_AREA)
+    
+    # Convertir en niveaux de gris si nécessaire
     if len(image.shape) == 3:
         image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
 
-    # 3. Normalize & Invert Logic
-    # MNIST is White digits on Black background.
-    # If user draws Black on White, we must invert.
-    # Check mean pixel intensity: if high (>127), background is likely white.
+    # Inversion intelligente : Si l'image est majoritairement blanche (dessin noir sur fond blanc)
+    # on inverse car MNIST a été entraîné sur blanc sur fond noir.
     if np.mean(image) > 127:
         image = 255 - image
-        
-    # 4. Normalize 0-1
-    image = image / 255.0
 
-    # 5. Reshape for Model (Batch, Height, Width, Channels)
+    # Normalisation
+    image = image / 255.0
+    
+    # Reshape (Batch, H, W, Channels)
     image = image.reshape(1, 28, 28, 1)
 
-    # Prediction
-    predictions = model.predict(image, verbose=0)
-    return int(np.argmax(predictions))
+    # Inférence
+    prediction = model.predict(image, verbose=0)
+    return int(np.argmax(prediction))
 
-# Modern Gradio 4 Interface
+# Interface Gradio 4 Moderne
 iface = gr.Interface(
-    fn=preprocess_and_predict,
-    inputs=gr.Sketchpad(label="Dessinez un chiffre", type="numpy"),
+    fn=predict_digit, 
+    inputs=gr.Sketchpad(label="Dessinez un chiffre", type="numpy", crop_size=(28, 28)),
     outputs="label",
-    title="MNIST Digit Recognition",
-    description="Reconnaissance de chiffres manuscrits via CNN. Dessinez au centre.",
+    title="Reconnaissance MNIST - Production Grade",
+    description="CNN Model. Dessinez un chiffre au centre.",
     allow_flagging="never"
 )