Update app.py

app.py

@@ -4,7 +4,6 @@ import gradio as gr
 import cv2
 import tensorflow as tf
 import keras
-from keras.models import Model
 from huggingface_hub import hf_hub_download
 import pandas as pd
 from PIL import Image
@@ -30,13 +29,15 @@ from tensorflow.keras.applications.xception import preprocess_input as preproces
 from tensorflow.keras.applications.resnet50 import preprocess_input as preprocess_resnet
 from tensorflow.keras.applications.densenet import preprocess_input as preprocess_densenet
 
-# ---- Fonctions utilitaires ----
+# ---- Fonctions utilitaires robustes pour les modèles Keras ----
 def get_primary_input_name(model):
+    """Retourne le nom de la couche d'input principale du modèle."""
     if isinstance(model.inputs, list) and len(model.inputs) > 0:
         return model.inputs[0].name.split(':')[0]
     return "input_1" 
 
 def safe_forward(model, x):
+    """Appelle un modèle en utilisant le nom d'input correct pour éviter les UserWarnings."""
     input_name = get_primary_input_name(model)
     return model({input_name: x}, training=False).numpy()
 
@@ -59,57 +60,13 @@ def predict_single(image_pil, weights=(0.45, 0.25, 0.30)):
     preds[:, mel_idx] = (0.5 * preds[:, mel_idx] + 0.5 * pred_d[:, mel_idx])
     return preds[0]
 
-
-# ---- Grad-CAM (Version Finale avec nom de couche fixe) ----
-def make_gradcam(image_pil, model, class_index=None):
-    # ===== CORRECTION FINALE : On utilise le nom connu et fiable de la dernière couche de features de DenseNet201 =====
-    last_conv_layer_name = "relu" 
-    # =================================================================================================================
-
-    img_np = np.array(image_pil)
-    img_resized = cv2.resize(img_np, (224, 224))
-    img_array_preprocessed = preprocess_densenet(np.expand_dims(img_resized, axis=0))
-    
-    grad_model = Model(model.inputs, [model.get_layer(last_conv_layer_name).output, model.output])
-    input_name = get_primary_input_name(model)
-    input_for_model = {input_name: img_array_preprocessed}
-
-    with tf.GradientTape() as tape:
-        last_conv_layer_output, preds = grad_model(input_for_model, training=False)
-        if isinstance(preds, list):
-            preds = preds[0]
-        if class_index is None:
-            class_index = tf.argmax(preds[0])
-        class_channel = preds[:, class_index]
-
-    grads = tape.gradient(class_channel, last_conv_layer_output)
-    if grads is None:
-        print("Erreur: Le gradient est None.")
-        return img_resized
-
-    # Correction de la régression : on moyenne UNIQUEMENT sur les axes spatiaux
-    pooled_grads = tf.reduce_mean(grads, axis=(0, 1))
-    
-    last_conv_layer_output = last_conv_layer_output[0]
-    heatmap = last_conv_layer_output @ pooled_grads[..., tf.newaxis]
-    heatmap = tf.squeeze(heatmap)
-    heatmap = tf.maximum(heatmap, 0) / (tf.math.reduce_max(heatmap) + 1e-8)
-    heatmap = heatmap.numpy()
-
-    heatmap = np.uint8(255 * heatmap)
-    heatmap = cv2.applyColorMap(heatmap, cv2.COLORMAP_JET)
-    
-    img_bgr = cv2.cvtColor(img_resized, cv2.COLOR_RGB2BGR)
-    superimposed_img = cv2.addWeighted(img_bgr, 0.6, heatmap, 0.4, 0)
-    
-    return cv2.cvtColor(superimposed_img, cv2.COLOR_BGR2RGB)
-
-# ---- Fonction Gradio ----
+# ---- Fonction Gradio (Simplifiée) ----
 def gradio_predict(image_pil):
     if image_pil is None:
-        return "Veuillez uploader une image.", None, None
+        return "Veuillez uploader une image.", None
     try:
         probs = predict_single(image_pil)
+        
         benign_prob = sum(probs[i] for i, cls in enumerate(CLASS_NAMES) if diagnosis_map[cls] == "Bénin")
         malign_prob = sum(probs[i] for i, cls in enumerate(CLASS_NAMES) if diagnosis_map[cls] == "Malin")
         global_diag = "Bénin" if benign_prob >= malign_prob else "Malin"
@@ -120,21 +77,21 @@ def gradio_predict(image_pil):
         df.index.name = "Classe"
         df = df.reset_index()
 
-        top_class_idx = np.argmax(probs)
-        gradcam_img = make_gradcam(image_pil, model_densenet, class_index=top_class_idx)
+        # On ne retourne que les informations pour le label et le bar plot
+        return global_diag, df
 
-        return global_diag, df, gradcam_img
     except Exception as e:
         print(f"Erreur dans gradio_predict : {e}")
         import traceback
         traceback.print_exc()
-        return "Erreur lors du traitement de l'image.", None, None
+        return "Erreur lors du traitement de l'image.", None
 
-# ---- Gradio UI ----
+# ---- Gradio UI (Simplifiée) ----
 example_paths = ["exemple1.jpg", "exemple2.jpg", "exemple3.jpg"]
+
 with gr.Blocks(theme=gr.themes.Soft()) as demo:
-    gr.Markdown("# Analyse de lésions cutanées (Ensemble de modèles + Grad-CAM)")
-    gr.Markdown("Cet outil propose une prédiction de la nature de la lésion (Bénin/Malin) avec explication visuelle.")
+    gr.Markdown("# Analyse de lésions cutanées (Ensemble de modèles)")
+    gr.Markdown("Cet outil propose une prédiction de la nature de la lésion (Bénin/Malin).")
     with gr.Row():
         with gr.Column(scale=1):
             input_image = gr.Image(type="pil", label="Uploader une image de lésion")
@@ -143,8 +100,10 @@ with gr.Blocks(theme=gr.themes.Soft()) as demo:
         with gr.Column(scale=1):
             output_label = gr.Label(label="Diagnostic global")
             output_plot = gr.BarPlot(label="Probabilités par classe", x="Classe", y="Probabilité", y_lim=[0, 1])
-            output_gradcam = gr.Image(label="Visualisation Grad-CAM")
-    submit_btn.click(fn=gradio_predict, inputs=input_image, outputs=[output_label, output_plot, output_gradcam])
+            # La sortie Grad-CAM a été enlevée
+
+    # L'appel au clic a été mis à jour pour ne gérer que 2 sorties
+    submit_btn.click(fn=gradio_predict, inputs=input_image, outputs=[output_label, output_plot])
 
 if __name__ == "__main__":
     demo.launch()