Update app.py

app.py

@@ -69,7 +69,7 @@ body {
 .warning-message {
     background-color: #e9d5ff;
     border-radius: 3px;
-    padding: 0px;
+    padding: 10px;
     border: 1px solid #d4b5ff;
     font-size: 14px;
     color: #333;
@@ -595,7 +595,7 @@ def quick_predict_ui(image_pil):
         ])
         
         fig.update_layout(
-            title="Probabilités par classe",
+            #title="Probabilités par classe",
             xaxis_title="Classes",
             yaxis_title="Probabilité (%)",
             yaxis=dict(range=[0, max(probabilities) * 1.15]),  # Ajuster la plage pour les labels externes
@@ -681,6 +681,7 @@ def generate_gradcam_ui(progress=gr.Progress()):
         return None, f"❌ Erreur: {e}"
         
 # ---- INTERFACE GRADIO ----
+
 example_paths = ["ISIC_0024627.jpg", "ISIC_0025539.jpg", "ISIC_0031410.jpg"]
 
 import pandas as pd
@@ -705,11 +706,11 @@ with gr.Blocks(theme=theme, title="Analyse de lésions", css=css) as demo:
             input_image = gr.Image(type="pil", label="📸 Uploader une image")
             
             with gr.Row():
-                quick_btn = gr.Button("Étape 1️⃣ Analyse Rapide", variant="primary")
-                gradcam_btn = gr.Button("Étape 2️⃣ Carte de chaleur", variant="secondary")
+                quick_btn = gr.Button("1️⃣ Analyse Rapide (~ 10s)", variant="primary")
+                gradcam_btn = gr.Button("2️⃣ Carte colorée (~ 60s) ", variant="secondary")
             
             gr.Examples(examples=example_paths, inputs=input_image)
-            output_gradcam = gr.Image(label="🔍 Visualisation Grad-CAM")
+            output_gradcam = gr.Image(label="🔍 Carte Colorée Grad-CAM")
             output_status = gr.Textbox(label="Statut", interactive=False)
             
         
@@ -744,11 +745,11 @@ with gr.Blocks(theme=theme, title="Analyse de lésions", css=css) as demo:
     gr.Markdown(f"Ensemble de modèles utilisés : {', '.join(models_status) if models_status else 'AUCUN'}")
     gr.HTML(value="""
       
-                Dataset utilisé pour l'entrainement des modèles de Machine Learning : HAM10000, ce dataset HAM10000 a été créé par une équipe internationale dirigée par des chercheurs autrichiens, allemands et australiens.
+                <strong>Dataset utilisé</strong> pour l'entrainement des modèles de Machine Learning : HAM10000, ce dataset HAM10000 a été créé par une équipe internationale dirigée par des chercheurs autrichiens, allemands et australiens.
           
             <br>
 <strong> RGPD & Digital Act </strong> : 
-                Ce dataset ne peut pas être utilisé pour des cas réels aujourd'hui notamment du fait qu'il ne comporte qu'essentiellement des peaux de populations européennes (allemands et autrichiens). Cette application ne collecte pas vos données personnelles. <b>Les images uploadées ne sont pas stockées</b>. La politique de Cookies 🍪 est gérée par <a href='https://huggingface.co/privacy'>Hugging Face disponible ici</a>.
+                Ce dataset ne peut pas être utilisé pour des cas réels aujourd'hui notamment du fait qu'il ne comporte qu'essentiellement des peaux de populations européennes (allemands et autrichiens). <br>Cette application ne collecte pas vos données personnelles. <b>Les images uploadées ne sont pas stockées</b>. <br>La politique de Cookies 🍪 est gérée par <a href='https://huggingface.co/privacy'>Hugging Face disponible ici</a>.
 
             """)