Spaces:
Sleeping
Sleeping
File size: 2,726 Bytes
81165fa 09d9434 81165fa 09d9434 81165fa |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 |
import streamlit as st
import torch
from torchvision import transforms, models
from PIL import Image
import requests
import json
import os
# URL du modèle hébergé sur Hugging Face
MODEL_URL = "https://huggingface.co./brightlembo/nao_sad_happy/blob/main/efficientnet_b7_best.pth"
MODEL_PATH = "efficientnet_b7_best.pth"
CLASS_NAMES_PATH = "class_names.json"
# Télécharger le modèle s'il n'existe pas localement
if not os.path.exists(MODEL_PATH):
st.info("Téléchargement du modèle depuis Hugging Face...")
response = requests.get(MODEL_URL, stream=True)
response.raise_for_status()
with open(MODEL_PATH, "wb") as f:
f.write(response.content)
st.success("Modèle téléchargé avec succès.")
# Charger les noms des classes
if not os.path.exists(CLASS_NAMES_PATH):
st.error(f"Le fichier {CLASS_NAMES_PATH} est introuvable. Veuillez le charger.")
st.stop()
with open(CLASS_NAMES_PATH, "r") as f:
class_names = json.load(f)
# Charger le modèle
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
try:
# Créer le modèle EfficientNet
model = models.efficientnet_b7(pretrained=False) # Initialisation du modèle sans poids pré-entrainés
# Charger les poids du modèle
model.load_state_dict(torch.load(MODEL_PATH, map_location=device))
model.eval() # Passer en mode évaluation
except Exception as e:
st.error(f"Erreur lors du chargement du modèle : {e}")
st.stop()
# Transformation pour les images
image_size = (224, 224)
class GrayscaleToRGB:
def __call__(self, img):
return img.convert("RGB")
transform = transforms.Compose([
transforms.Grayscale(num_output_channels=1),
transforms.Resize(image_size),
GrayscaleToRGB(),
transforms.ToTensor(),
transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
])
# Interface utilisateur Streamlit
st.title("Prédiction d'Images avec PyTorch")
st.write("Chargez une image pour obtenir une prédiction de classe.")
uploaded_file = st.file_uploader("Choisissez une image...", type=["jpg", "png", "jpeg"])
if uploaded_file is not None:
try:
# Charger et afficher l'image
image = Image.open(uploaded_file)
st.image(image, caption="Image chargée", use_column_width=True)
# Transformation et prédiction
image_tensor = transform(image).unsqueeze(0).to(device)
with torch.no_grad():
outputs = model(image_tensor)
_, predicted_class = torch.max(outputs, 1)
predicted_label = class_names[predicted_class.item()]
st.success(f"Classe prédite : {predicted_label}")
except Exception as e:
st.error(f"Erreur lors de la prédiction : {e}")
|