Create app.py

app.py

@@ -0,0 +1,74 @@
+import gradio as gr
+import torch
+import torchvision.transforms as transforms
+import numpy as np
+from PIL import Image
+import cv2
+import os
+from sklearn.svm import SVC
+from scipy.fftpack import fft2, fftshift
+import pretrainedmodels
+
+# 🔌 Transform pour CNN
+transform = transforms.Compose([
+    transforms.Resize((299, 299)),
+    transforms.ToTensor(),
+    transforms.Normalize([0.5]*3, [0.5]*3)
+])
+
+class ProxyXceptionNet(torch.nn.Module):
+    def __init__(self):
+        super().__init__()
+        self.model = pretrainedmodels.__dict__["xception"](num_classes=1000, pretrained="imagenet")
+        self.model.eval()
+
+    def predict(self, image_pil):
+        img = transform(image_pil).unsqueeze(0)
+        with torch.no_grad():
+            out = self.model(img)
+            prob = torch.softmax(out, dim=1).numpy()
+        # Simule une décision deepfake basée sur la classe dominante : purement démonstratif !
+        pred_class = np.argmax(prob)
+        return int(pred_class % 2 == 0)  # pseudo-détection arbitraire
+
+cnn_model = ProxyXceptionNet()
+
+# ⚖️ SVM avec FFT (entraînement simple sur données factices)
+fft_train = np.random.rand(20, 1000)
+y_train = [0]*10 + [1]*10
+svm = SVC(probability=True)
+svm.fit(fft_train, y_train)
+
+# 📈 FFT Feature Extraction
+def extract_fft_features_pil(image):
+    img = image.convert("L").resize((256, 256))
+    img_np = np.array(img)
+    f = fft2(img_np)
+    fshift = fftshift(f)
+    magnitude_spectrum = 20 * np.log(np.abs(fshift) + 1)
+    return magnitude_spectrum.flatten()[:1000]
+
+# 🔄 Fonction principale Gradio
+def predict(image, method):
+    if method == "CNN (Xception)":
+        result = cnn_model.predict(image)
+        label = "Deepfake ❌" if result == 1 else "Réel ✅"
+    else:
+        features = extract_fft_features_pil(image)
+        pred = svm.predict([features])[0]
+        label = "Deepfake ❌" if pred == 1 else "Réel ✅"
+
+    return label
+
+demo = gr.Interface(
+    fn=predict,
+    inputs=[
+        gr.Image(type="pil", label="Image à analyser"),
+        gr.Radio(["CNN (Xception)", "FFT + SVM"], label="Méthode de détection")
+    ],
+    outputs=gr.Textbox(label="Résultat"),
+    title="Détection de Deepfakes (Image)",
+    description="Upload une image et choisis la méthode pour tester si c'est un deepfake."
+)
+
+demo.launch(share=True)