Update app.py

app.py

@@ -60,18 +60,11 @@ def predict_single(image_pil, weights=(0.45, 0.25, 0.30)):
     return preds[0]
 
 
-# ---- Grad-CAM (Version Finale et Infaillible) ----
-def find_last_feature_map_layer(model):
-    """Trouve le nom de la dernière couche avec une sortie 4D (carte de caractéristiques)."""
-    for layer in reversed(model.layers):
-        # Vérifie de manière sûre si l'attribut existe ET si la forme est 4D
-        if hasattr(layer, 'output_shape') and len(layer.output_shape) == 4:
-            return layer.name
-    raise ValueError("Impossible de trouver une couche de features (sortie 4D) dans le modèle.")
-
+# ---- Grad-CAM (Version Finale avec nom de couche fixe) ----
 def make_gradcam(image_pil, model, class_index=None):
-    # 1. Trouver le nom de la couche dynamiquement et de manière sûre
-    last_conv_layer_name = find_last_feature_map_layer(model)
+    # ===== 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))
@@ -90,12 +83,11 @@ def make_gradcam(image_pil, model, class_index=None):
         class_channel = preds[:, class_index]
 
     grads = tape.gradient(class_channel, last_conv_layer_output)
-    
     if grads is None:
-        print("Erreur: Le gradient est None. Impossible de générer la heatmap.")
-        return img_resized # Retourne l'image originale non modifiée
+        print("Erreur: Le gradient est None.")
+        return img_resized
 
-    # 2. Correction de la régression : on moyenne UNIQUEMENT sur les axes spatiaux
+    # 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]
@@ -152,9 +144,7 @@ with gr.Blocks(theme=gr.themes.Soft()) as demo:
             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
-                                                                    ])
+    submit_btn.click(fn=gradio_predict, inputs=input_image, outputs=[output_label, output_plot, output_gradcam])
 
 if __name__ == "__main__":
     demo.launch()