Update app.py

app.py

@@ -1,5 +1,5 @@
 # ================================
-# 0. PATCH pour huggingface_hub (contourne l'absence de HfFolder)
+# 0. PATCH pour huggingface_hub
 # ================================
 import huggingface_hub
 if not hasattr(huggingface_hub, 'HfFolder'):
@@ -14,22 +14,18 @@ if not hasattr(huggingface_hub, 'HfFolder'):
     huggingface_hub.HfFolder = HfFolder
 
 # ================================
-# 1. PATCH pour contourner le bug de Gradio 4.44.0
-#    (TypeError: argument of type 'bool' is not iterable)
+# 1. PATCH pour Gradio 4.44.0
 # ================================
 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
+# 2. IMPORTS
 # ================================
 import gradio as gr
 import tensorflow as tf
@@ -37,19 +33,20 @@ import numpy as np
 from PIL import Image
 
 # ================================
-# 3. CHARGEMENT DU MODÈLE (9 classes)
+# 3. CHARGEMENT DU MODÈLE
 # ================================
 MODEL_PATH = "lemon_model.h5"
-model = tf.keras.models.load_model(MODEL_PATH, compile=False)
-
-# Recompilation simple pour éviter les warnings
-model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
+try:
+    model = tf.keras.models.load_model(MODEL_PATH, compile=False)
+    model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
+    print("✅ Modèle chargé avec succès")
+except Exception as e:
+    print(f"❌ Erreur lors du chargement du modèle : {e}")
+    raise
 
 # ================================
-# 4. NOMS DES CLASSES (à adapter selon votre dataset)
+# 4. NOMS DES CLASSES (issus de l'entraînement)
 # ================================
-# Liste obtenue via full_dataset.class_names dans le code d'entraînement.
-# Remplacez par les vôtres si nécessaire.
 class_names = [
     "Bacterial Blight",
     "Citrus Canker",
@@ -63,30 +60,27 @@ class_names = [
 ]
 
 # ================================
-# 5. FONCTION DE PRÉDICTION
+# 5. PRÉDICTION
 # ================================
 def preprocess_image(img):
-    """Redimensionne et normalise l'image (comme dans l'entraînement)."""
     img = img.resize((224, 224))
     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}."""
     processed = preprocess_image(img)
     preds = model.predict(processed, verbose=0)[0]
-    results = {class_names[i]: float(preds[i]) for i in range(len(class_names))}
-    return results
+    return {class_names[i]: float(preds[i]) for i in range(len(class_names))}
 
 # ================================
-# 6. INTERFACE GRADIO
+# 6. INTERFACE
 # ================================
 iface = gr.Interface(
     fn=predict,
     inputs=gr.Image(type="pil", label="Chargez une image de feuille de citron"),
     outputs=gr.Label(num_top_classes=3, label="Maladie prédite (top 3)"),
-    title="Classification des maladies des feuilles de citron",
+    title="🍋 Classification des maladies des feuilles de citron",
     description="Modèle MobileNet entraîné sur 9 classes (Bacterial Blight, Citrus Canker, Fungal Disease, Healthy Leaf, Lemon Scab, Mite, Spider Mites, Leaf Miner, Leaf Spot)."
 )