Update app.py

app.py

@@ -160,6 +160,68 @@ def find_last_dense_layer(model):
     raise ValueError("Aucune couche Dense trouvée dans le modèle.")
 
 # ---- GRAD-CAM ----
+# ---- GESTION ASYNCHRONE / ÉTAT ----
+current_image = None
+current_predictions = None
+
+# ---- Fonctions pour l'UI Gradio ----
+def quick_predict_ui(image_pil):
+    global current_image, current_predictions
+    if image_pil is None:
+        return "Veuillez uploader une image.", None, None
+    try:
+        current_image = image_pil
+        all_preds = predict_single(image_pil)
+        current_predictions = all_preds
+        ensemble_probs = all_preds["ensemble"]
+
+        # Débogage : Afficher les probabilités brutes
+        print("Probabilités brutes (ensemble):", ensemble_probs)
+        print("Somme des probabilités brutes:", ensemble_probs.sum())
+
+        # Vérification et normalisation explicite si nécessaire
+        if ensemble_probs.sum() > 1.0:  # Si les probabilités dépassent 1, renormaliser
+            ensemble_probs = _renorm_safe(ensemble_probs)
+            print("Probabilités renormées:", ensemble_probs)
+            print("Somme après renorm:", ensemble_probs.sum())
+
+        top_class_idx = int(np.argmax(ensemble_probs))
+        top_class_name = CLASS_NAMES[top_class_idx]
+        global_diag = diagnosis_map[top_class_name]
+
+        # Conversion en pourcentages pour le DataFrame
+        confidences = {CLASS_NAMES[i]: float(ensemble_probs[i] * 100) for i in range(len(CLASS_NAMES))}  # En pourcentages
+        df = pd.DataFrame.from_dict(confidences, orient='index', columns=['Probabilité']).reset_index().rename(columns={'index': 'Classe'})
+        df = df.sort_values(by='Probabilité', ascending=False)
+
+        # Ajout d'une colonne pour les étiquettes avec pourcentages
+        df['Pourcentage'] = df['Probabilité'].apply(lambda x: f"{x:.1f}%")
+
+        # Génération du graphique avec texte dynamique
+        fig = px.bar(df, 
+                     x="Classe", 
+                     y="Probabilité", 
+                     color="Probabilité",
+                     color_continuous_scale=px.colors.sequential.Viridis,
+                     title="Probabilités par classe",
+                     text="Pourcentage")  # Utilise la colonne Pourcentage pour les étiquettes
+
+        # Définir textposition comme une liste personnalisée
+        text_positions = []
+        for val in df['Probabilité']:
+            if val <= 10:  # Si la probabilité est ≤ 10%, texte à l'extérieur
+                text_positions.append("outside")
+            else:  # Sinon, texte à l'intérieur
+                text_positions.append("inside")
+        fig.update_traces(textposition=text_positions)  # Appliquer les positions personnalisées
+
+        fig.update_layout(xaxis_title="", yaxis_title="Probabilité (%)", height=400)
+
+        return f"{global_diag} ({top_class_name.upper()})", fig, None
+    except Exception as e:
+        print(f"Erreur dans quick_predict_ui: {e}")
+        return f"Erreur: {e}", None, None
+
 def generate_gradcam_ui():
     global current_image, current_predictions
     if current_image is None or current_predictions is None:
@@ -197,7 +259,7 @@ def generate_gradcam_ui():
         print(f"❌ Erreur dans generate_gradcam_ui: {e}")
         import traceback; traceback.print_exc()
         yield None, 0
-        
+
 # ---- GESTION ASYNCHRONE / ÉTAT ----
 current_image = None
 current_predictions = None