Update app.py

app.py

@@ -1,42 +1,42 @@
 import gradio as gr
-from keras.models import load_model
-from PIL import Image, ImageOps
+import tensorflow as tf
 import numpy as np
+from tensorflow.keras.models import load_model
+from tensorflow.keras.preprocessing.image import load_img, img_to_array
 
-# Charger le modèle Keras
-model = load_model("keras_model.h5", compile=False)
+# Charger le modèle (avec correction)
+custom_objects = {"DepthwiseConv2D": tf.keras.layers.DepthwiseConv2D}
 
-# Charger les labels
-with open("labels.txt", "r") as file:
-    class_names = [line.strip() for line in file.readlines()]
+try:
+    model = load_model("keras_model.h5", custom_objects=custom_objects, compile=False)
+    print("✅ Modèle chargé avec succès !")
+except Exception as e:
+    print(f"⚠️ Erreur lors du chargement du modèle : {e}")
 
-# Fonction de prédiction
-def predict_image(img):
-    size = (224, 224)
-    image = ImageOps.fit(img, size, Image.Resampling.LANCZOS)
-    image_array = np.asarray(image)
-    normalized_image_array = (image_array.astype(np.float32) / 127.5) - 1
+# Définir les classes du modèle (à adapter selon ton dataset)
+class_labels = ["Classe 1", "Classe 2", "Classe 3"]  # Remplace par tes propres classes
 
-    # Charger l'image dans le bon format
-    data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32)
-    data[0] = normalized_image_array
+# Fonction de prédiction
+def predict(image):
+    img = image.resize((224, 224))  # Adapter à la taille d'entrée du modèle
+    img_array = img_to_array(img) / 255.0  # Normalisation
+    img_array = np.expand_dims(img_array, axis=0)  # Ajouter une dimension batch
 
-    # Faire une prédiction
-    prediction = model.predict(data)
-    index = np.argmax(prediction)
-    class_name = class_names[index]
-    confidence_score = float(prediction[0][index])
+    predictions = model.predict(img_array)[0]  # Obtenir les prédictions
+    confidences = {class_labels[i]: float(predictions[i]) for i in range(len(class_labels))}
 
-    return {class_name: confidence_score}
+    return confidences
 
 # Interface Gradio
-iface = gr.Interface(
-    fn=predict_image,
-    inputs=gr.Image(type="pil"),
-    outputs=gr.Label(),
-    title="Classification d'Images avec Keras",
-    description="Upload une image et obtenez la classe prédite avec le score de confiance.",
+interface = gr.Interface(
+    fn=predict,
+    inputs=gr.Image(type="pil"),  # Permet d'uploader une image
+    outputs=gr.Label(num_top_classes=3),  # Affiche les probabilités des classes
+    title="🌟 Modèle Keras avec Gradio",
+    description="Téléverse une image et laisse le modèle faire sa prédiction.",
+    theme="compact"
 )
 
 # Lancer l'application
-iface.launch()
+if __name__ == "__main__":
+    interface.launch(share=True)  # `share=True` génère un lien public