Create app.py

app.py

@@ -0,0 +1,76 @@
+# ================================
+# 0. PATCH pour huggingface_hub (contourne l'absence de HfFolder)
+# ================================
+import huggingface_hub
+if not hasattr(huggingface_hub, 'HfFolder'):
+    class HfFolder:
+        _token = None
+        @staticmethod
+        def get_token():
+            return HfFolder._token
+        @staticmethod
+        def save_token(token):
+            HfFolder._token = token
+    huggingface_hub.HfFolder = HfFolder
+
+# ================================
+# 1. PATCH pour contourner le bug de Gradio 4.44.0
+#    (TypeError: argument of type 'bool' is not iterable)
+# ================================
+import gradio_client.utils
+
+original_get_type = gradio_client.utils.get_type
+
+def patched_get_type(schema):
+    if isinstance(schema, bool):
+        return "boolean"
+    return original_get_type(schema)
+
+gradio_client.utils.get_type = patched_get_type
+
+# ================================
+# 2. IMPORTS STANDARDS
+# ================================
+import gradio as gr
+import numpy as np
+from PIL import Image
+from ultralytics import YOLO
+
+# ================================
+# 3. CHARGEMENT DU MODÈLE (YOLOv8 classification)
+# ================================
+MODEL_PATH = "best.pt"   # le modèle doit être présent à la racine
+model = YOLO(MODEL_PATH)
+
+# ================================
+# 4. FONCTION DE PRÉDICTION
+# ================================
+def predict(image):
+    """
+    Prend une image PIL, retourne un dictionnaire {classe: probabilité}
+    """
+    # Redimensionner à 224x224 (taille utilisée lors de l'entraînement)
+    image = image.resize((224, 224))
+    # Convertir en numpy array
+    img_np = np.array(image)
+    # Faire la prédiction avec YOLO
+    results = model.predict(img_np, verbose=False)
+    probs = results[0].probs  # objet Probs
+    # Les probabilités sont dans probs.data (tensor)
+    prob_weed = float(probs.data[1].cpu().numpy())  # classe 1 = weed
+    prob_crop = float(probs.data[0].cpu().numpy())  # classe 0 = crop
+    return {"crop": prob_crop, "weed": prob_weed}
+
+# ================================
+# 5. INTERFACE GRADIO
+# ================================
+iface = gr.Interface(
+    fn=predict,
+    inputs=gr.Image(type="pil", label="Chargez une image de champ"),
+    outputs=gr.Label(num_top_classes=2, label="Prédiction"),
+    title="🌾 Classification Culture / Mauvaise Herbe (YOLOv8)",
+    description="Modèle YOLOv8-cls entraîné sur le dataset DeepWeeds pour distinguer les cultures des mauvaises herbes."
+)
+
+if __name__ == "__main__":
+    iface.launch(share=True)