# Import librairies import streamlit as st import tensorflow as tf import numpy as np import requests import json import base64 import streamlit_elements as elements import streamlit.components.v1 as components from streamlit_elements import elements, mui, html from tensorflow.keras.utils import load_img, img_to_array from tensorflow.keras.preprocessing import image from PIL import Image, ImageOps from pathlib import Path # Title st.sidebar.image("images/logo.png", use_column_width=None) # Load model model = tf.keras.models.load_model("model/model.h5") covid_classes = {'COVID19': 0, 'NORMAL': 1, 'PNEUMONIA': 2, 'TUBERCULOSIS': 3} # Define sidebar options tab1, tab2, tab3 = st.tabs(["Accueil","Prédiction","Contact"]) # Display content according to selected option with tab1: # Display home page with app description and logo st.header('Bienvenue sur l\'application de classification d\'images de radiographies pulmonaires') st.image('images/image3.png', caption='Convolutional Neural Networks') #st.title('Bienvenue sur l\'application de classification d\'images de radiographies pulmonaires') #st.markdown("

Bienvenue sur l'application de classification d'images de radiographies pulmonaires

", unsafe_allow_html=True) st.markdown("

Cette application utilise un modèle de machine learning pour prédire la classe d'une image parmi quatre catégories : COVID19, NORMAL, PNEUMONIA ou TUBERCULOSIS. Vous pouvez télécharger une ou plusieurs images de radiographies pulmonaires et obtenir les résultats de la prédiction en quelques secondes.

", unsafe_allow_html=True) components.html( """

""", height=50 ) with tab2: # Display prediction page with sidebar and main # Sidebar st.header("Prédiction") #st.markdown("

Prédiction

", unsafe_allow_html=True) st.sidebar.header("Paramètre pour la prédiction") upload_file = st.sidebar.file_uploader("Télécharger le fichier", type=['jpg', 'jpeg', 'png'], key="upload") generate_pred = st.sidebar.button("Predict") # Main if upload_file: # Display uploaded image st.header("Image téléchargée") st.image(upload_file, caption="Image", use_column_width=True) # Predict label if generate_pred: # Preprocess image test_image = image.load_img(upload_file, target_size=(64, 64)) image_array = img_to_array(test_image) image_array = np.expand_dims(image_array, axis=0) # Make prediction prediction = model.predict(image_array) classe = np.argmax(prediction, axis=1) label = [key for key, value in covid_classes.items() if value == classe][0] # Display result st.header("Résultat de la prédiction") st.write(f"L'image est classée comme {label}.") components.html( """

""", height=70 ) with tab3: # Définir les informations de contact name = "TAYAWELBA DAWAI Hesed" email = "hesedtayawelba@gmail.com" phone = "+237 6 9340 1580" address = "Yaoundé, Cameroun" github = "https://github.com/Tayawelba" huggingface = "https://huggingface.co/tayawelba" linkedin = "https://www.linkedin.com/in/tayawelba-dawaï-hesed/" # Créer la page "Contact" st.header("Contact") st.write(f"Bonjour, je m'appelle {name} et je suis un développeur web et un expert en machine learning. Si vous souhaitez me contacter, vous pouvez utiliser les moyens suivants :") st.write(f"- Email : {email}") st.write(f"- Téléphone : {phone}") st.write(f"- Adresse : {address}") st.write("Vous pouvez également me suivre sur les réseaux sociaux suivants :") st.markdown(f'-

GitHub : @Tayawelba

', unsafe_allow_html=True) st.markdown(f'-

Hugging Face : @tayawelba

', unsafe_allow_html=True) st.markdown(f'-

LinkedIn : Tayawelba Dawaï Hesed

', unsafe_allow_html=True) st.write("Je serai ravi de discuter avec vous de vos projets, de vos idées ou de vos questions. N'hésitez pas à me contacter !") components.html( """

""", height=20 ) # # Import librairies # import streamlit as st # import tensorflow as tf # import numpy as np # import requests # import json # import base64 # import streamlit_elements as elements # import streamlit.components.v1 as components # from streamlit_elements import elements, mui, html # from tensorflow.keras.utils import load_img, img_to_array # from tensorflow.keras.preprocessing import image # from PIL import Image, ImageOps # from pathlib import Path # # Title # st.sidebar.image("logo.png", use_column_width=None) # # Load model # model = tf.keras.models.load_model("model.h5") # covid_classes = {'COVID19': 0, 'NORMAL': 1, 'PNEUMONIA': 2, 'TUBERCULOSIS': 3} # # Define sidebar options # sidebar_options = ["Accueil", "Prédiction", "Contact"] # # Display sidebar and get selected option # selected_option = st.sidebar.selectbox("MENU", sidebar_options) # # Display content according to selected option # if selected_option == "Accueil": # # Display home page with app description and logo # st.markdown("

Bienvenue sur l'application de classification d'images

", unsafe_allow_html=True) # st.markdown("

Cette application utilise un modèle de machine learning pour prédire la classe d'une image parmi quatre catégories : COVID19, NORMAL, PNEUMONIA ou TUBERCULOSIS. Vous pouvez télécharger une ou plusieurs images de radiographies pulmonaires et obtenir les résultats de la prédiction en quelques secondes.

", unsafe_allow_html=True) # components.html( # """ #

# """, # height=50 # ) # elif selected_option == "Prédiction": # # Display prediction page with sidebar and main # # Sidebar # st.markdown("

Prédiction

", unsafe_allow_html=True) # st.sidebar.header("Options") # num_images = st.sidebar.number_input("Nombre d'images à prédire", min_value=1, max_value=10, value=1) # upload_files = st.sidebar.file_uploader("Télécharger des fichiers", type=['jpg', 'jpeg', 'png'], accept_multiple_files=True, key="upload") # generate_pred = st.sidebar.button("Predict") # # Main # if upload_files: # # Check if the number of uploaded files matches the number input # if len(upload_files) != num_images: # st.error(f"Veuillez télécharger exactement {num_images} image(s).") # else: # # Display uploaded images # st.header("Images téléchargées") # cols = st.columns(num_images) # for i, file in enumerate(upload_files): # cols[i].image(file, caption=f"Image {i+1}", use_column_width=True) # # Predict labels # if generate_pred: # # Preprocess images # test_images = [image.load_img(file, target_size=(64, 64)) for file in upload_files] # image_arrays = [img_to_array(img) for img in test_images] # image_arrays = np.array(image_arrays) # # Make predictions # predictions = model.predict(image_arrays) # classes = np.argmax(predictions, axis=1) # labels = [key for key, value in covid_classes.items() if value in classes] # # Display results in a table # st.header("Résultats de la prédiction") # table_data = [] # for i, (file, label) in enumerate(zip(upload_files, labels)): # # Resize image for table display # img = Image.open(file) # img = img.resize((64, 64)) # table_data.append([f"Image {i+1}", img, label]) # st.table(table_data) # components.html( # """ #

# """, # height=70 # ) # elif selected_option == "Contact": # # Définir une fonction pour encoder une image en base64 # def get_image_base64(image_path): # with open(image_path, "rb") as image_file: # return base64.b64encode(image_file.read()).decode() # # Définir les informations de contact # name = "TAYAWELBA DAWAI Hesed" # email = "hesedtayawelba@gmail.com" # phone = "+237 6 9340 1580" # address = "Yaoundé, Cameroun" # github = "https://github.com/Tayawelba" # huggingface = "https://huggingface.co/tayawelba" # linkedin = "https://www.linkedin.com/in/tayawelba-dawaï-hesed/" # # Définir les logos des réseaux sociaux # github_logo = get_image_base64("github.png") # huggingface_logo = get_image_base64("huggingface.png") # linkedin_logo = get_image_base64("linkedin.png") # # Créer la page "Contact" # st.title("Contact") # st.write(f"Bonjour, je m'appelle {name} et je suis un développeur web et un expert en machine learning. Si vous souhaitez me contacter, vous pouvez utiliser les moyens suivants :") # st.write(f"- Email : {email}") # st.write(f"- Téléphone : {phone}") # st.write(f"- Adresse : {address}") # st.write("Vous pouvez également me suivre sur les réseaux sociaux suivants :") # st.markdown(f'-