Update app.py

app.py

@@ -6,6 +6,7 @@ import tensorflow as tf
 import keras
 from keras.models import Model
 from keras.preprocessing import image
+from tensorflow.keras.preprocessing import image
 from huggingface_hub import hf_hub_download
 import pandas as pd
 from PIL import Image
@@ -162,18 +163,20 @@ from tensorflow.keras.preprocessing import image
 from tensorflow.keras.preprocessing import image
 import numpy as np
 
+from tensorflow.keras.preprocessing import image
+import numpy as np
+
 def predict_single(img_input, weights=(0.45, 0.25, 0.3), normalize=True):
     print("🔍 DEBUG GRADIO - Début de la prédiction")
 
     # Chargement et pré-traitement avec Keras (comme en local)
     if isinstance(img_input, str):
-        # Chargement depuis un chemin
         img_path = img_input
         img_raw_x = image.load_img(img_path, target_size=(299, 299))
         img_raw_r = image.load_img(img_path, target_size=(224, 224))
         img_raw_d = image.load_img(img_path, target_size=(224, 224))
     else:
-        # Cas d'upload via interface Gradio (img_input est une image PIL)
+        # Cas d'upload via interface Gradio
         temp_path = "temp_debug_image.jpg"
         img_input.save(temp_path)
         img_raw_x = image.load_img(temp_path, target_size=(299, 299))
@@ -182,10 +185,10 @@ def predict_single(img_input, weights=(0.45, 0.25, 0.3), normalize=True):
         import os
         os.remove(temp_path)
 
-    # Conversion en arrays avec le même type de données que local (float32)
-    array_x = image.img_to_array(img_raw_x).astype(np.float32)
-    array_r = image.img_to_array(img_raw_r).astype(np.float32)
-    array_d = image.img_to_array(img_raw_d).astype(np.float32)
+    # Conversion en arrays (sans forcer float32)
+    array_x = image.img_to_array(img_raw_x)
+    array_r = image.img_to_array(img_raw_r)
+    array_d = image.img_to_array(img_raw_d)
 
     print(f"📸 Images loaded:")
     print(f"   Xception (299x299): {array_x.shape}")
@@ -265,8 +268,6 @@ def predict_single(img_input, weights=(0.45, 0.25, 0.3), normalize=True):
     return preds
 
 
-
-
 # ---- Helpers Grad-CAM ----
 LAST_CONV_LAYERS = {
     "xception": "block14_sepconv2_act", 
@@ -536,7 +537,7 @@ with gr.Blocks(theme=theme, title="Analyse de lésions", css=css) as demo:
     if model_resnet50: models_status.append("☑ ResNet50")
     if model_densenet: models_status.append("☑ DenseNet201")
     if model_xcept: models_status.append("☑ Xception")
-    gr.Markdown(f"**Avertissement 🚨:** cette application est un projet d'étudiant et ne doit être utilisé qu'à titre informatif. Seul votre médecin est habilité à vous donner un diagnostic.")
+    gr.Markdown(f"**Avertissement 🚨 ** cette application est un projet d'étudiant et ne doit être utilisé qu'à titre informatif. Seul votre médecin est habilité à vous donner un diagnostic.")
     gr.Markdown(f"Ensemble de modèles utilisés : {', '.join(models_status) if models_status else 'AUCUN'}")
     
     with gr.Row():