Update app.py

app.py

@@ -0,0 +1,76 @@
+import streamlit as st
+import torch
+from torchvision import transforms
+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:
+    model = torch.load(MODEL_PATH, map_location=device)
+    model.eval()
+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}")