Create app.py

app.py

@@ -0,0 +1,94 @@
+# ================================
+# 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
+# ================================
+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
+
+# ================================
+# 3. CHARGEMENT DU MODÈLE (9 classes)
+# ================================
+MODEL_PATH = "final_model.keras"
+model = tf.keras.models.load_model(MODEL_PATH, compile=False)
+model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
+
+# ================================
+# 4. NOMS DES CLASSES (issus de l'entraînement)
+# ================================
+class_names = [
+    "Chinee apple",
+    "Lantana",
+    "Negative",
+    "Parkinsonia",
+    "Parthenium",
+    "Prickly acacia",
+    "Rubber vine",
+    "Siam weed",
+    "Snake weed"
+]
+
+# ================================
+# 5. PARAMÈTRES
+# ================================
+IMG_SIZE = 380  # taille utilisée lors de l'entraînement
+
+# ================================
+# 6. PRÉTRAITEMENT (identique à l'entraînement)
+# ================================
+def preprocess_image(img):
+    img = img.resize((IMG_SIZE, IMG_SIZE))
+    img_array = np.array(img)
+    # Appliquer le même preprocess_input que EfficientNetB4
+    img_array = tf.keras.applications.efficientnet.preprocess_input(img_array)
+    img_array = np.expand_dims(img_array, axis=0)
+    return img_array
+
+def predict(img):
+    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
+
+# ================================
+# 7. INTERFACE GRADIO
+# ================================
+iface = gr.Interface(
+    fn=predict,
+    inputs=gr.Image(type="pil", label="Chargez une image de mauvaise herbe"),
+    outputs=gr.Label(num_top_classes=3, label="Espèce prédite (top 3)"),
+    title="🌿 Classification des mauvaises herbes",
+    description="Modèle EfficientNetB4 entraîné sur 9 espèces de mauvaises herbes (Chinee apple, Lantana, Negative, Parkinsonia, Parthenium, Prickly acacia, Rubber vine, Siam weed, Snake weed)."
+)
+
+if __name__ == "__main__":
+    iface.launch(share=True)