Update app.py

app.py

@@ -1,53 +1,95 @@
 import gradio as gr
-import tensorflow as tf
+from ultralytics import YOLO  # Importer YOLOv8
 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_v2.keras', compile=False)
+# Charger le modèle YOLOv8
+model = YOLO('best.pt')  # Remplace 'best.pt' par le chemin de ton modèle
 
-# 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']
+# Fonction d'inférence
+def detect(img):
+    # Faire une prédiction avec YOLOv8
+    results = model(img)  # YOLOv8 prend directement l'image en entrée
+
+    # Si des objets sont détectés, renvoyer la classe de l'objet
+    if results:
+        detections = results[0].boxes  # Les résultats des détections
+        if len(detections) > 0:
+            # Obtenir la classe de la détection avec la probabilité la plus élevée
+            detection = detections[0]  # On prend la première détection (peut être ajusté)
+            class_index = int(detection.cls[0])  # Obtenir l'indice de la classe
+            class_names = ['AMAZONE', 'BIOGUERRA', 'REVENANT', 'ZANGBETO', 'PORTE DU NON RETOUR']
+            class_name = class_names[class_index]  # Nom de la classe prédite
+            confidence = format(detection.conf[0], ".2f")  # Confiance de la détection
+            return f"Classe : {class_name}, Confiance : {confidence}"
+        else:
+            return "Aucune détection"
+    else:
+        return "Aucune détection"
+
+# Interface utilisateur avec Gradio
+title = "Orisha YOLOv8"
+
+iface = gr.Interface(
+    fn=detect, 
+    inputs=gr.Image(type="pil", image_mode='RGB'),  # Charger une image
+    outputs=gr.Textbox(label="Résultat", lines=2),  # Afficher le résultat
+    title=title
 )
 
-def format_decimal(value):
-    decimal_value = format(value, ".2f")
-    return decimal_value
+# Lancer l'application
+iface.launch(inline=False)
 
-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]
+# 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_v2.keras', 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]
 
     
-    # Classes prédictives avec leurs index respectifs
-    class_names = ['AMAZONE', 'BIOGUERRA', 'REVENANT', 'ZANGBETO', 'PORTE DU NON RETOUR']
+#     # Classes prédictives avec leurs index respectifs
+#     class_names = ['AMAZONE', 'BIOGUERRA', 'REVENANT', 'ZANGBETO', 'PORTE DU NON RETOUR']
 
-    # Trouver l'indice de la classe avec la probabilité la plus élevée
-    class_index = np.argmax(prediction)
+#     # Trouver l'indice de la classe avec la probabilité la plus élevée
+#     class_index = np.argmax(prediction)
 
-    # Obtenir le nom de la classe prédite
-    texte = class_names[class_index]
+#     # Obtenir le nom de la classe prédite
+#     texte = class_names[class_index]
 
-    return texte
+#     return texte
 
 
-title = "Orisha"
+# 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 = 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)
+# iface.launch(inline=False)