Create app.py

app.py

@@ -0,0 +1,96 @@
+# ================================
+# 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 tensorflow as tf
+import numpy as np
+from PIL import Image
+
+# Forcer la précision float32 (évite les warnings de mixed precision sur CPU)
+tf.keras.mixed_precision.set_global_policy('float32')
+
+# ================================
+# 3. CHARGEMENT DU MODÈLE (binaire)
+# ================================
+MODEL_PATH = "final_model.keras"
+# Charger le modèle sans compiler pour éviter l'avertissement sur l'optimiseur
+model = tf.keras.models.load_model(MODEL_PATH, compile=False)
+
+# Recompiler avec une configuration simple (nécessaire pour faire des prédictions)
+model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
+
+# ================================
+# 4. CONSTANTES
+# ================================
+IMG_SIZE = 380  # Taille d'entrée du modèle (EfficientNetB4)
+
+# ================================
+# 5. FONCTION DE PRÉDICTION
+# ================================
+def preprocess_image(img):
+    """
+    Redimensionne et normalise l'image pour le modèle.
+    L'entraînement a utilisé : cv2.resize + /255.0
+    """
+    img = img.resize((IMG_SIZE, IMG_SIZE))
+    img_array = np.array(img, dtype=np.float32) / 255.0
+    img_array = np.expand_dims(img_array, axis=0)
+    return img_array
+
+def predict(img):
+    """
+    Retourne un dictionnaire {classe: probabilité} pour les deux classes.
+    La sortie du modèle est la probabilité d'être une mauvaise herbe (weed).
+    """
+    processed = preprocess_image(img)
+    prob_weed = float(model.predict(processed, verbose=0)[0][0])
+    prob_crop = 1 - prob_weed
+    return {
+        "crop": prob_crop,
+        "weed": prob_weed
+    }
+
+# ================================
+# 6. INTERFACE GRADIO
+# ================================
+iface = gr.Interface(
+    fn=predict,
+    inputs=gr.Image(type="pil", label="Chargez une image de champ (culture ou mauvaise herbe)"),
+    outputs=gr.Label(num_top_classes=2, label="Prédiction"),
+    title="Classification Culture / Mauvaise Herbe",
+    description="Ce modèle (EfficientNetB4) distingue les cultures des mauvaises herbes. \
+                  Il a été entraîné sur un dataset avec bounding boxes, pour une tâche de classification binaire."
+)
+
+if __name__ == "__main__":
+    iface.launch(share=True)