Update app.py

app.py

@@ -32,23 +32,15 @@ from tensorflow.keras.applications.densenet import preprocess_input as preproces
 
 # ---- Fonctions utilitaires robustes pour les modèles Keras ----
 def get_primary_input_name(model):
-    """Retourne le nom de la couche d'input principale du modèle."""
-    # ===== LA CORRECTION FINALE ET DÉFINITIVE EST ICI =====
-    # L'attribut correct est `model.inputs`, qui est une liste de tenseurs.
-    # On prend le premier tenseur de la liste et on récupère son nom.
     if isinstance(model.inputs, list) and len(model.inputs) > 0:
-        # Le nom est souvent de la forme "input_layer:0", on ne garde que "input_layer"
         return model.inputs[0].name.split(':')[0]
-    # Fallback au cas où, mais ne devrait pas être nécessaire
     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()
 
-# ---- Prédiction (utilise maintenant safe_forward) ----
+# ---- Prédiction ----
 def predict_single(image_pil, weights=(0.45, 0.25, 0.30)):
     img_np = np.array(image_pil)
     img_299 = cv2.resize(img_np, (299, 299))
@@ -68,7 +60,7 @@ def predict_single(image_pil, weights=(0.45, 0.25, 0.30)):
     return preds[0]
 
 
-# ---- Grad-CAM (combine TOUTES les corrections) ----
+# ---- Grad-CAM ----
 def make_gradcam(image_pil, model, last_conv_layer_name="conv5_block32_concat", class_index=None):
     img_np = np.array(image_pil)
     img_resized = cv2.resize(img_np, (224, 224))
@@ -81,28 +73,30 @@ def make_gradcam(image_pil, model, last_conv_layer_name="conv5_block32_concat",
 
     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)
     
-    pooled_grads = tf.reduce_mean(grads, axis=(0, 1, 2))
-    last_conv_layer_output = last_conv_layer_output[0]
+    # ===== LA CORRECTION FINALE EST ICI : on ne moyenne que 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)
+    # applyColorMap prend une image 1 canal et retourne une image 3 canaux (BGR)
     heatmap = cv2.applyColorMap(heatmap, cv2.COLORMAP_JET)
     
     img_bgr = cv2.cvtColor(img_resized, cv2.COLOR_RGB2BGR)
+    # Les deux images ont maintenant la même taille (224, 224) et 3 canaux.
     superimposed_img = cv2.addWeighted(img_bgr, 0.6, heatmap, 0.4, 0)
     
     return cv2.cvtColor(superimposed_img, cv2.COLOR_BGR2RGB)
@@ -113,7 +107,6 @@ def gradio_predict(image_pil):
         return "Veuillez uploader une image.", None, 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"
@@ -136,7 +129,6 @@ def gradio_predict(image_pil):
 
 # ---- Gradio UI ----
 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.")