Update app.py

app.py

@@ -56,9 +56,22 @@ css = """
     font-size: 24px !important;
 }
 
-/* Style pour l'explication */
-.feedback h2.output-class {
-    font-size: 16px !important;
+#warning {background-color: #FFCCCB}
+
+/* Conteneur pour l'explication */
+.feedback-container {
+    background-color: #f9f9f9;
+    border-radius: 5px;
+    padding: 10px;
+    margin-bottom: 15px;
+    border: 1px solid #e0e0e0;
+}
+
+/* Style pour le texte d'explication */
+.feedback-text {
+    font-size: 14px;
+    line-height: 1.5;
+    margin-bottom: 10px;
 }
 
 /* Style pour la div d'avertissement */
@@ -475,10 +488,12 @@ def quick_predict_ui(image_pil):
             '<h2 class="output-class">Veuillez uploader une image.</h2>',
             "",  # output_text vide
             None,
+            None,
             "❌ Erreur: Aucune image fournie."
         )
 
     try:
+        # ... (ton code existant pour la prédiction)
         current_image = image_pil
         all_preds = predict_single(image_pil)
         current_predictions = all_preds
@@ -489,73 +504,45 @@ def quick_predict_ui(image_pil):
 
         # Récupère la probabilité de "mel" (mélanome)
         mel_idx = CLASS_NAMES.index("mel")
-        mel_prob = ensemble_probs[mel_idx] * 100  # Convertit en pourcentage
+        mel_prob = ensemble_probs[mel_idx] * 100
 
         for top in description:
             if top == top_class_name:
                 desc_top = description[top]
 
-        confidences = {CLASS_NAMES[i]: float(ensemble_probs[i] * 100) for i in range(len(CLASS_NAMES))}
-        top_class_pourcent = round(max(confidences.values()), 2)
-
-        # Génère le HTML pour le diagnostic global
-        if global_diag == "Malin":
-            global_diag_html = f'''
-            <div style="float:left">
-                <img src="https://huggingface.co/spaces/ericjedha/skin_care/resolve/main/mel.webp" width="150">
-            </div>
-            <span style="font-size:20px">Diagnostic Global 💬</span>
-            <div class="highlight malin">{global_diag} : {top_class_pourcent} % ▪ {top_class_name.upper()} ▪</div>
-            '''
-        elif global_diag == "Bénin":
-            global_diag_html = f'''
-            <div style="float:left">
-                <img src="https://huggingface.co/spaces/ericjedha/skin_care/resolve/main/non-mel.webp" width="150">
-            </div>
-            <span style="font-size:20px">Diagnostic Global 💬</span>
-            <div class="highlight benin">{global_diag} : {top_class_pourcent} % ▪ {top_class_name.upper()} ▪</div>
-            '''
-        else:
-            global_diag_html = f'<div class="output-class">{global_diag} : {top_class_pourcent} % ▪ {top_class_name.upper()} ▪</div>'
+        # ... (ton code existant pour global_diag_html)
 
         # Génère le contenu pour output_text (explication + avertissement si nécessaire)
         output_text_html = f'<div class="feedback-text">{desc_top}</div>'
 
         # Ajoute un message d'avertissement si "mel" > 15%
         if mel_prob > 15 and top_class_name != "mel":
-            warning_message = '''
+            warning_message = f'''
             <div class="warning-message">
                 ⚠️ Le modèle a détecté un risque modéré de mélanome ({mel_prob:.1f}%).
                 Veuillez consulter votre médecin pour lever le doute.
             </div>
-            '''.format(mel_prob=mel_prob)
+            '''
             output_text_html += warning_message
 
-        # Génère le graphique
-        df = pd.DataFrame.from_dict(confidences, orient='index', columns=['Probabilité']).reset_index().rename(columns={'index': 'Classe'})
-        df = df.sort_values(by='Probabilité', ascending=False)
-        df['Pourcentage'] = df['Probabilité'].apply(lambda x: f"{x:.1f}%")
-        fig = px.bar(df,
-                     x="Classe",
-                     y="Probabilité",
-                     color="Probabilité",
-                     color_continuous_scale=px.colors.sequential.Viridis,
-                     title="Probabilités par classe",
-                     text="Pourcentage")
-        text_positions = []
-        for val in df['Probabilité']:
-            if val <= 10:
-                text_positions.append("outside")
-            else:
-                text_positions.append("inside")
-        fig.update_traces(textposition=text_positions)
-        fig.update_layout(xaxis_title="", yaxis_title="Probabilité (%)", height=400)
-
-        return global_diag_html, output_text_html, fig, "✅ Analyse terminée. Prêt pour Grad-CAM."
+        # ... (ton code existant pour le graphique)
 
-    except Exception as e:
-        return f'<h2 class="output-class">Erreur: {e}</h2>', None, "", None, "❌ Erreur lors de l'analyse."
+        return (
+            global_diag_html,
+            output_text_html,
+            fig,
+            None,
+            "✅ Analyse terminée. Prêt pour Grad-CAM."
+        )
 
+    except Exception as e:
+        return (
+            f'<h2 class="output-class">Erreur: {e}</h2>',
+            "",
+            None,
+            None,
+            "❌ Erreur lors de l'analyse."
+        )
 
 
 def generate_gradcam_ui(progress=gr.Progress()):
@@ -621,17 +608,25 @@ with gr.Blocks(theme=theme, title="Analyse de lésions", css=css) as demo:
             gr.Examples(examples=example_paths, inputs=input_image)
             #ajout d'une ligne
             gr.HTML(value="<details><p> <summary><b>Dataset utilisé ↓ ↑</b></summary> source : HAM10000, ce dataset HAM10000 a été créé par une équipe internationale dirigée par des chercheurs autrichiens, allemands et australiens.</details> <br><details><p> <summary><b>RGPD & Digital Act</b> ↓ ↑</summary> 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 personnes. <b>Les images uploadés ne sont pas stockées</b>. La politique de Cookies 🍪 est gérée par <a href='https://huggingface.co/privacy'>Hugging Face disponible ici</a>. </p>")
-        with gr.Column(scale=2):
-            output_label = gr.HTML(value='<h2 class="output-class">Veuillez uploader une image.</h2>', elem_classes="diagnostic-global")
-            output_text = gr.Label(label="Explication", elem_classes="feedback")
-            output_text = gr.HTML(
+   with gr.Column(scale=2):
+        # Diagnostic global
+        gr.Markdown("### 📊 Diagnostic Global")
+        output_label = gr.HTML(
+            value='<h2 class="output-class">Veuillez uploader une image.</h2>',
+            elem_classes="diagnostic-global"
+        )
+
+        # Explication (avec un titre Markdown et un conteneur HTML)
+        gr.Markdown("### 💡 Explication")
+        output_text = gr.HTML(
             value="",  # Contenu initial vide
-            elem_classes="feedback"
+            elem_classes="feedback-container"
         )
-            output_plot = gr.Plot(label="📈 Probabilités") 
-            output_gradcam = gr.Image(label="🔍 Visualisation Grad-CAM")
-            output_status = gr.Textbox(label="Statut", interactive=False)
 
+        # Graphique et Grad-CAM
+        output_plot = gr.Plot(label="📈 Probabilités")
+        output_gradcam = gr.Image(label="🔍 Visualisation Grad-CAM")
+        output_status = gr.Textbox(label="Statut", interactive=False)
     quick_btn.click(fn=quick_predict_ui, inputs=input_image, outputs=[output_label, output_text, output_plot, output_status])
     gradcam_btn.click(fn=generate_gradcam_ui, inputs=[], outputs=[output_gradcam, output_status])