app.py

import gradio as gr
import tensorflow as tf
import numpy as np
from keras.models import load_model
from tensorflow.keras.preprocessing.image import load_img, img_to_array

# Charger le modèle sans compilation
model = load_model('best_model.h5', compile=False)

# Recompiler le modèle avec la fonction de perte et l'optimiseur appropriés
model.compile(
    optimizer='adam',
    loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    metrics=['accuracy']
)

def format_decimal(value):
    decimal_value = format(value, ".2f")
    return decimal_value

def detect(img):
    # Prétraiter l'image
    img = img.resize((256, 256))  # Redimensionner l'image
    img = img_to_array(img)
    img = np.expand_dims(img, axis=0)
    img = img / 255.0  # Normaliser les valeurs de l'image

    # Faire une prédiction
    prediction = model.predict(img)[0]

    # Initialisation du texte
    texte = ""

    # Classes prédictives avec leurs index respectifs
    class_names = ['AMAZONE', 'BIOGUERRA', 'REVENANT', 'ZANGBETO']

    # Détermination du texte pour chaque classe
    for idx, class_name in enumerate(class_names):
        if prediction[idx] >= 0.5:
            texte += f'{class_name} détecté\n'

    # Si aucune classe n'est détectée
    if texte == "":
        texte = "Classe indéterminée"

    return texte

title = "Orisha"

iface = gr.Interface(
    fn=detect, 
    inputs=gr.Image(type="pil", image_mode='RGB'), 
    outputs=gr.Textbox(label="Classe", lines=10),
    title=title
)

iface.launch(inline=False)