app.py

import gradio as gr
import tensorflow as tf
from tensorflow.keras.preprocessing import image
import numpy as np

# Charger le modèle (doit être dans le même dossier que app.py)
model = tf.keras.models.load_model("orange_disease_model.h5")

# Noms des classes (dans le même ordre qu'à l'entraînement)
class_names = ['blackspot', 'canker', 'fresh', 'grenning']

def predict_image(img):
    """
    img : PIL Image (fourni par Gradio)
    """
    # Redimensionner à la taille attendue par le modèle
    img = img.resize((256, 256))
    
    # Convertir en tableau numpy et normaliser
    img_array = image.img_to_array(img)
    img_array = img_array / 255.0
    img_array = np.expand_dims(img_array, axis=0)  # ajouter la dimension batch

    # Prédiction
    predictions = model.predict(img_array)
    predicted_index = np.argmax(predictions)
    predicted_class = class_names[predicted_index]
    confidence = np.max(predictions) * 100

    return f"{predicted_class} ({confidence:.2f}%)"

# Interface Gradio
iface = gr.Interface(
    fn=predict_image,
    inputs=gr.Image(type="pil"),
    outputs="text",
    title="Orange Disease Classification",
    description="Téléchargez une image d'orange pour détecter la maladie : blackspot, canker, fresh ou greening."
)

# Lancer l'application
iface.launch()