amerlioration ihm

.streamlit/config.toml

@@ -6,4 +6,11 @@ headless = true
 fileWatcherType = "watchdog"
 
 [browser]
-gatherUsageStats = false
+gatherUsageStats = false
+
+[theme]
+base="dark"
+primaryColor="#4CAF50"
+backgroundColor="#0E1117"
+secondaryBackgroundColor="#262730"
+textColor="#FAFAFA"

app/main.py

@@ -10,7 +10,7 @@ import logging
 
 
 confidence_threshold=0.4
-entropy_threshold=1.5
+entropy_threshold=2
 
 logging.basicConfig(
     level=logging.DEBUG,  # ou logging.DEBUG
@@ -356,10 +356,29 @@ if page == pages[4]:
                     st.image(res['image_obj'], caption=f"Image : {res['file_name']}", use_container_width=True)
                     st.markdown("### 🔍 Résultat de la prédiction")
                     st.write(f"📁 Nom du fichier : `{res['file_name']}`")
-                    st.write(f"🏷️ Vraie classe (extrait nom) : `{res['true_class']}`")
-                    st.write(f"✅ Classe prédite : `{res['pred_class_name']}`")
-                    st.write(f"📊 Confiance : **{res['confidence']*100:.2f}%**")
-                    st.write(f"📈 Entropie : **{res['entropy']:.3f}**")
+
+                    predicted_classes = res['models_predictions']
+                    unique_classes = set(predicted_classes)
+                    if len(unique_classes) == 1 or not is_online:
+                        pred_plant, pred_disease = res['pred_class_name'].split('_', 1)
+                        st.success(f"🌱 **Plante predite :** `{pred_plant}`")
+                        st.success(f"🩺 **Maladie predite :** `{pred_disease}`")
+                        if len(predicted_classes)>1:
+                            st.info("Prédiction fiable. Les modèles sont unanimes.")
+
+                        true_plant, true_disease  = extract_class_from_filename(res['file_name'])
+                        if true_plant is not None and true_disease is not None:
+                            with st.expander("🔍 **Vérité terrain :**"):
+                                st.write(f"🌱 Plante réelle : `{true_plant}`")
+                                st.write(f"🩺 Maladie réelle : `{true_disease}`")
+                        else:
+                            st.info("ℹ️ Vérité terrain non disponible pour cette image.")
+                        
+                        st.write(f"📊 Confiance : **{res['confidence']*100:.2f}%**")
+                        st.write(f"📈 Entropie : **{res['entropy']:.3f}**")
+                    else:
+                         st.warning(f"⚠️ Prédiction incertaine : `{res['pred_class_name']}`")
+                         st.error("Les modèles ne sont pas d'accord. Veuillez vérifier l'image sur le terrain ou consulter un expert avant de décider d'un traitement.")
                     if is_online:
                         if "rapide" in mode_api:
                             st.info(f"🧠 **{mode_api}** — 1 modèle utilisé : `{res['models_names'][0]}`")

app/utils.py

@@ -92,6 +92,11 @@ class_names = [
 from typing import List, Any
 from collections import namedtuple
 from dataclasses import dataclass
+
+
+
+
+
 @dataclass
 class PredictionResult:
     pred_class_name: str
@@ -106,6 +111,35 @@ class PredictionResult:
     models_uncertainties: List[bool]
     gradcam_images: List[Any]
 
+import re
+import os
+
+def extract_class_from_filename(filename):
+    """
+    Utilise une expression régulière pour extraire 'Plante - Maladie' depuis le nom de fichier.
+    Exemple de formats acceptés :
+    Rice___Blast___BLAST1_017.jpg
+Blueberry___Healthy___0bfbcb95-30cb-487c-b9b9-49e4edd4af9f___RS_HL 0534.JPG
+Peach___Bacterial_spot___0a620811-30ba-42bf-ace2-8888d4db6dcd___Rutg._Bact.S 1782.JPG
+    """
+    try:
+        base_name = os.path.basename(filename)
+        name_without_ext = os.path.splitext(base_name)[0]
+
+        # Regex : on cherche une structure 'texte - texte'
+        match = re.search(r'^([A-Za-z]+)_+([A-Za-z_]+)', name_without_ext)
+
+        if match:
+            plant = match.group(1).strip()
+            disease = match.group(2).strip()
+            return plant, disease
+        else:
+            return None, None
+    except Exception as e:
+        print(f"Erreur d'extraction : {e}")
+        return None, None
+
+
 
 def predict_via_api(image_pil, api_url, mode="single",show_heatmap=False,default_model="EfficientNetV2M"):
     logging.info("🖼️ Préparation de l'image pour l'envoi à l'API...")