Update app.py

app.py

@@ -36,11 +36,19 @@ 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 (72 classes)
 # ================================
 MODEL_PATH = "final_model.keras"
-model = tf.keras.models.load_model(MODEL_PATH)
+# 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)
+# On utilise une perte factice car on ne fera pas d'entraînement
+model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
 
 # ================================
 # 4. NOMS DES CLASSES (issus de l'entraînement)
@@ -137,12 +145,11 @@ def predict(img):
     """
     processed = preprocess_image(img)
     preds = model.predict(processed, verbose=0)[0]
-    # Créer le dictionnaire des probabilités
     results = {class_names[i]: float(preds[i]) for i in range(len(class_names))}
     return results
 
 # ================================
-# 6. INTERFACE GRADIO
+# 6. INTERFACE GRADIO (sans allow_flagging)
 # ================================
 iface = gr.Interface(
     fn=predict,
@@ -150,8 +157,7 @@ iface = gr.Interface(
     outputs=gr.Label(num_top_classes=3, label="Maladie prédite (top 3)"),
     title="Classification des maladies des plantes (72 classes)",
     description="Chargez une photo de feuille et le modèle prédira la maladie parmi 72 classes. Modèle basé sur EfficientNetB0 avec fine-tuning.",
-    examples=None,
-    allow_flagging="never"
+    examples=None
 )
 
 if __name__ == "__main__":