import os
import numpy as np
import gradio as gr
import cv2
import tensorflow as tf
import keras
from keras.models import Model
from keras.preprocessing import image
#from tensorflow.keras.preprocessing import image
from huggingface_hub import hf_hub_download
import pandas as pd
from PIL import Image
import plotly.express as px
import time
import os
os.environ['TF_ENABLE_ONEDNN_OPTS'] = '0'
theme = gr.themes.Soft(
primary_hue="purple",
secondary_hue="yellow",
text_size="sm",
)
css = """
/* Police lisible et compatible */
body {
font-family: Arial, sans-serif !important;
}
/* Conteneur du diagnostic global */
.diagnostic-global {
margin-bottom: 15px;
}
/* Style pour les badges Malin/Bénin */
.highlight.malin {
background-color: #F54927;
color: white;
padding: 4px 8px;
border-radius: 4px;
display: inline-block;
font-weight: bold;
font-size:24px;
margin: 5px 0;
}
.highlight.benin {
background-color: #34EA3A;
color: black;
padding: 4px 8px;
border-radius: 4px;
display: inline-block;
font-weight: bold;
font-size:24px;
margin: 5px 0;
}
/* Conteneur pour le warning */
.warning-container {
background-color: #f9f9f9;
border-radius: 5px;
padding: 0px;
margin-bottom: 0px;
border: 1px solid #e0e0e0;
}
/* Message d'avertissement */
.warning-message {
background-color: #e9d5ff;
border-radius: 3px;
padding: 10px;
border: 1px solid #d4b5ff;
font-size: 14px;
color: #333;
font-family: Arial, sans-serif !important;
}
/* Pour les images dans le diagnostic */
.diagnostic-global img {
max-width: 100%;
height: auto;
float: left;
margin-right: 10px;
margin-bottom: 10px;
}
.feedback-container {
background-color: #f9f9f9;
border-radius: 5px;
padding: 0px;
margin-bottom: 0px;
border: 1px solid #e0e0e0;
font-size:16px;
font-family: Arial, sans-serif !important;
}
/* Clearfix pour les flottants */
.clearfix::after {
content: "";
display: table;
clear: both;
}
"""
# Désactiver GPU et logs TensorFlow
os.environ['CUDA_VISIBLE_DEVICES'] = '-1'
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
tf.config.set_visible_devices([], 'GPU')
# ---- Configuration ----
CLASS_NAMES = ['akiec', 'bcc', 'bkl', 'df', 'nv', 'vasc', 'mel']
label_to_index = {name: i for i, name in enumerate(CLASS_NAMES)}
diagnosis_map = {
'akiec': 'Bénin', 'bcc': 'Malin', 'bkl': 'Bénin', 'df': 'Bénin',
'nv': 'Bénin', 'vasc': 'Bénin', 'mel': 'Malin'
}
description = {
"akiec": "Bénin : AKIEC ou - kératoses solaires - sont des excroissances précancéreuses provoquées par l'exposition solaire prolongée. Le risque de progression d'une Kératose Actinique vers un carcinome épidermoïde (cancer de la peau non mélanome) existe mais reste modéré",
"bcc": "Malin : BCC ou - carcinome basocellulaire - est un type de cancer cutané. C’est le cancer de la peau le plus fréquent. Il se manifeste par la formation d'une masse, d'un bouton ou d'une lésion sur la couche externe de la peau.",
"bkl": "Bénin : BKL ou - kératose séborrhéique - se présente sous la forme d’une lésion pigmentée, en relief, verruqueuse (qui ressemble à une verrue), souvent croûteuse, de plus ou moins grande taille.",
"df": "Bénin : DF ou - dermatofibrome - est une lésion papuleuse ou nodulaire ferme, le plus souvent de petite taille, de couleur rouge marron, de nature fibrohistiocytaire.",
"nv": "Bénin : NV (Nevus) ou le - grain de beauté -, couramment appelés nevus mélanocytaires représentent une accumulation localisée de mélanocytes dans la peau",
"vasc": "Bénin : VASC ou - lésion vasculaire - se traduit par la survenue d’anomalies visibles en surface de la peau et d’aspect variable : rougeurs, taches planes ou en relief, capillaires sanguins apparents",
"mel": "Malin : MEL ou - Mélanome - est un nodule noir ou couleur « peau » présent sur n'importe quelle partie de la peau. Sa consistance est ferme et le nodule peut s'ulcérer, se couvrir d'une croûte, suinter ou saigner."
}
# ---- Chargement des modèles ----
def load_models_safely():
models = {}
try:
print("📥 Téléchargement ResNet50...")
resnet_path = hf_hub_download(repo_id="ericjedha/resnet50", filename="Resnet50.keras")
models['resnet50'] = keras.saving.load_model(resnet_path, compile=False)
print("✅ ResNet50 chargé")
except Exception as e:
models['resnet50'] = None
try:
print("📥 Téléchargement DenseNet201...")
densenet_path = hf_hub_download(repo_id="ericjedha/densenet201", filename="Densenet201.keras")
models['densenet201'] = keras.saving.load_model(densenet_path, compile=False)
print("✅ DenseNet201 chargé")
except Exception as e:
models['densenet201'] = None
try:
print("📥 Chargement Xception local...")
if os.path.exists("Xception.keras"):
models['xception'] = keras.saving.load_model("Xception.keras", compile=False)
print("✅ Xception chargé")
else:
models['xception'] = None
except Exception as e:
models['xception'] = None
loaded = {k: v for k, v in models.items() if v is not None}
if not loaded:
raise Exception("❌ Aucun modèle n'a pu être chargé!")
print(f"🎯 Modèles chargés: {list(loaded.keys())}")
return models
try:
models_dict = load_models_safely()
model_resnet50 = models_dict.get('resnet50')
model_densenet = models_dict.get('densenet201')
model_xcept = models_dict.get('xception')
except Exception as e:
print(f"🚨 ERREUR CRITIQUE: {e}")
model_resnet50 = model_densenet = model_xcept = None
# ---- Préprocesseurs ----
from tensorflow.keras.applications.xception import preprocess_input as preprocess_xception
from tensorflow.keras.applications.resnet50 import preprocess_input as preprocess_resnet
from tensorflow.keras.applications.densenet import preprocess_input as preprocess_densenet
# ---- Utils ----
def _renorm_safe(p: np.ndarray) -> np.ndarray:
p = np.clip(p, 0.0, None) # Évite les valeurs négatives
s = np.sum(p)
if s <= 0:
return np.ones_like(p, dtype=np.float32) / len(p)
normalized = p / s
return normalized / np.sum(normalized) if np.sum(normalized) > 1.0001 else normalized
def get_primary_input_name(model):
if isinstance(model.inputs, list) and len(model.inputs) > 0:
return model.inputs[0].name.split(':')[0]
return "input_1"
def _update_progress(progress, value, desc=""):
"""
Met à jour la barre de progression.
"""
if progress is not None:
progress(value / 100.0, desc=desc)
# ---- PREDICT SINGLE ----
def predict_single(img_input, weights=(0.45, 0.25, 0.3), normalize=True):
print("🔍 DEBUG GRADIO HARMONISÉ - Début de la prédiction")
# Chargement uniforme des images
if isinstance(img_input, str):
# Cas fichier local
img_path = img_input
print(f"📁 Chargement depuis fichier: {img_path}")
img_raw_x = image.load_img(img_path, target_size=(299, 299))
img_raw_r = image.load_img(img_path, target_size=(224, 224))
img_raw_d = image.load_img(img_path, target_size=(224, 224))
else:
# Cas upload Gradio - AMÉLIORATION ICI
print("📁 Chargement depuis upload Gradio")
# Option 1: Éviter la sauvegarde temporaire en utilisant BytesIO
from io import BytesIO
import PIL.Image
# Convertir en RGB si nécessaire (évite les problèmes de format)
if img_input.mode != 'RGB':
img_input = img_input.convert('RGB')
print(f"🔄 Conversion en RGB effectuée")
# Redimensionner directement depuis PIL
img_raw_x = img_input.resize((299, 299), PIL.Image.Resampling.LANCZOS)
img_raw_r = img_input.resize((224, 224), PIL.Image.Resampling.LANCZOS)
img_raw_d = img_input.resize((224, 224), PIL.Image.Resampling.LANCZOS)
# Alternative si vous voulez garder la sauvegarde temporaire
# temp_path = "temp_debug_image.png" # PNG pour éviter compression JPEG
# img_input.save(temp_path, format='PNG')
# img_raw_x = image.load_img(temp_path, target_size=(299, 299))
# img_raw_r = image.load_img(temp_path, target_size=(224, 224))
# img_raw_d = image.load_img(temp_path, target_size=(224, 224))
# import os
# os.remove(temp_path)
# Conversion en arrays avec vérification
array_x = image.img_to_array(img_raw_x)
array_r = image.img_to_array(img_raw_r)
array_d = image.img_to_array(img_raw_d)
print(f"📸 Images loaded:")
print(f" Xception (299x299): {array_x.shape}")
print(f" ResNet (224x224): {array_r.shape}")
print(f" DenseNet (224x224): {array_d.shape}")
print(f"🔧 Arrays avant preprocessing:")
print(f" X shape: {array_x.shape}, dtype: {array_x.dtype}, range: [{array_x.min()}, {array_x.max()}]")
print(f" R shape: {array_r.shape}, dtype: {array_r.dtype}, range: [{array_r.min()}, {array_r.max()}]")
print(f" D shape: {array_d.shape}, dtype: {array_d.dtype}, range: [{array_d.min()}, {array_d.max()}]")
# Vérification de cohérence avec le local
expected_range = (0, 255)
actual_ranges = [
(array_x.min(), array_x.max()),
(array_r.min(), array_r.max()),
(array_d.min(), array_d.max())
]
print(f"🔍 Vérification des ranges:")
for i, (min_val, max_val) in enumerate(actual_ranges):
model_name = ['Xception', 'ResNet', 'DenseNet'][i]
if min_val < expected_range[0] or max_val > expected_range[1]:
print(f" ⚠️ {model_name}: range inhabituel [{min_val}, {max_val}]")
else:
print(f" ✅ {model_name}: range normal [{min_val}, {max_val}]")
# Pré-traitement identique au local
img_x = np.expand_dims(preprocess_xception(array_x), axis=0)
img_r = np.expand_dims(preprocess_resnet(array_r), axis=0)
img_d = np.expand_dims(preprocess_densenet(array_d), axis=0)
print(f"🔧 Après preprocessing:")
print(f" Xception range: [{img_x.min():.6f}, {img_x.max():.6f}]")
print(f" ResNet range: [{img_r.min():.6f}, {img_r.max():.6f}]")
print(f" DenseNet range: [{img_d.min():.6f}, {img_d.max():.6f}]")
# Suite du code identique...
preds = {}
if model_xcept is not None:
preds['xception'] = model_xcept.predict(img_x, verbose=0)[0]
print("\n--- Xception ---")
for i, (class_name, prob) in enumerate(zip(CLASS_NAMES, preds['xception'])):
print(f"{class_name}: {prob*100:.2f}%")
if model_resnet50 is not None:
preds['resnet50'] = model_resnet50.predict(img_r, verbose=0)[0]
print("\n--- ResNet ---")
for i, (class_name, prob) in enumerate(zip(CLASS_NAMES, preds['resnet50'])):
print(f"{class_name}: {prob*100:.2f}%")
if model_densenet is not None:
preds['densenet201'] = model_densenet.predict(img_d, verbose=0)[0]
print("\n--- DenseNet ---")
for i, (class_name, prob) in enumerate(zip(CLASS_NAMES, preds['densenet201'])):
print(f"{class_name}: {prob*100:.2f}%")
# Combinaison pondérée
ensemble = np.zeros(len(CLASS_NAMES), dtype=np.float32)
if 'xception' in preds: ensemble += weights[0] * preds['xception']
if 'resnet50' in preds: ensemble += weights[1] * preds['resnet50']
if 'densenet201' in preds: ensemble += weights[2] * preds['densenet201']
print("\n--- Ensemble avant mel boost ---")
for i, (class_name, prob) in enumerate(zip(CLASS_NAMES, ensemble)):
print(f"{class_name}: {prob*100:.2f}%")
print("Ensemble sum avant mel boost:", np.sum(ensemble))
# Ajustement pour "mel"
mel_idx = label_to_index['mel']
if 'densenet201' in preds:
old_mel_prob = ensemble[mel_idx]
ensemble[mel_idx] = 0.5 * ensemble[mel_idx] + 0.5 * preds['densenet201'][mel_idx]
print(f"\nMel boost: {old_mel_prob*100:.2f}% -> {ensemble[mel_idx]*100:.2f}%")
print("\n--- Ensemble après mel boost ---")
for i, (class_name, prob) in enumerate(zip(CLASS_NAMES, ensemble)):
print(f"{class_name}: {prob*100:.2f}%")
if normalize:
ensemble_before_norm = ensemble.copy()
ensemble = _renorm_safe(ensemble)
print("\n--- Ensemble final après normalisation ---")
for i, (class_name, prob) in enumerate(zip(CLASS_NAMES, ensemble)):
print(f"{class_name}: {prob*100:.2f}%")
print("Ensemble sum final:", np.sum(ensemble))
preds['ensemble'] = ensemble
return preds
# ---- Helpers Grad-CAM ----
LAST_CONV_LAYERS = {
"xception": "block14_sepconv2_act",
"resnet50": "conv5_block3_out",
"densenet201": "conv5_block32_concat"
}
def find_last_dense_layer(model):
for layer in reversed(model.layers):
if isinstance(layer, keras.layers.Dense):
return layer
raise ValueError("Aucune couche Dense trouvée dans le modèle.")
# ---- GRAD-CAM AVEC PROGRESSION OPTIMISÉE ----
def make_gradcam(image_pil, model, last_conv_layer_name, class_index, progress=None):
"""
Grad-CAM avec progression fluide grâce aux micro-pauses
"""
if model is None:
return np.array(image_pil)
try:
steps = [
(5, "🔄 Initialisation..."),
(10, "🖼️ Analyse de l'image..."),
(15, "⚙️ Configuration du preprocesseur..."),
(20, "📐 Redimensionnement image..."),
(25, "🧠 Configuration du modèle..."),
(30, "🔗 Création du gradient model..."),
(35, "⚡ Préparation du calcul..."),
(40, "🔥 Forward pass..."),
(45, "📊 Calcul des activations..."),
(50, "🎯 Extraction classe cible..."),
(55, "⚡ Calcul du gradient..."),
(60, "📈 Traitement des gradients..."),
(70, "📊 Pooling des gradients..."),
(75, "🎨 Construction heatmap..."),
(80, "🌡️ Normalisation heatmap..."),
(85, "🎯 Application colormap..."),
(90, "🖼️ Redimensionnement final..."),
(95, "✨ Superposition images..."),
(100, "✅ Terminé !")
]
step = 0
def next_step():
nonlocal step
if step < len(steps):
val, desc = steps[step]
_update_progress(progress, val, desc)
time.sleep(0.02) # Micro-pause pour permettre la mise à jour
step += 1
next_step() # 5% - Initialisation
# Détermination de la taille d'entrée et du preprocesseur
input_size = model.input_shape[1:3]
if 'xception' in model.name.lower():
preprocessor = preprocess_xception
elif 'resnet50' in model.name.lower():
preprocessor = preprocess_resnet
elif 'densenet' in model.name.lower():
preprocessor = preprocess_densenet
else:
preprocessor = preprocess_densenet
next_step() # 10% - Analyse image
next_step() # 15% - Config preprocesseur
# Préparation de l'image
img_np = np.array(image_pil.convert("RGB"))
img_resized = cv2.resize(img_np, input_size)
img_array_preprocessed = preprocessor(np.expand_dims(img_resized, axis=0))
next_step() # 20% - Redimensionnement
next_step() # 25% - Config modèle
# Configuration du modèle pour Grad-CAM
try:
conv_layer = model.get_layer(last_conv_layer_name)
except ValueError:
return img_resized
grad_model = Model(model.inputs, [conv_layer.output, model.output])
input_name = get_primary_input_name(model)
input_for_model = {input_name: img_array_preprocessed}
next_step() # 30% - Gradient model
next_step() # 35% - Préparation calcul
next_step() # 40% - Forward pass
# Le calcul critique avec étapes intermédiaires
with tf.GradientTape() as tape:
next_step() # 45% - Calcul activations
last_conv_layer_output, preds = grad_model(input_for_model, training=False)
next_step() # 50% - Extraction classe
if isinstance(preds, list):
preds = preds[0]
class_channel = preds[:, int(class_index)]
next_step() # 55% - Calcul gradient
grads = tape.gradient(class_channel, last_conv_layer_output)
if grads is None:
return img_resized
next_step() # 60% - Traitement gradients
next_step() # 70% - Pooling
# Pooling des gradients
pooled_grads = tf.reduce_mean(grads, axis=(0, 1, 2))
last_conv_layer_output = last_conv_layer_output[0]
next_step() # 75% - Construction heatmap
# Construction de la heatmap
heatmap = last_conv_layer_output @ pooled_grads[..., tf.newaxis]
heatmap = tf.squeeze(heatmap)
heatmap = tf.maximum(heatmap, 0)
max_val = tf.math.reduce_max(heatmap)
if max_val == 0:
heatmap = tf.ones_like(heatmap) * 0.5
else:
heatmap = heatmap / max_val
next_step() # 80% - Normalisation
next_step() # 85% - Colormap
# Conversion et application du colormap
heatmap_np = heatmap.numpy()
heatmap_np = np.clip(heatmap_np.astype(np.float32), 0, 1)
heatmap_resized = cv2.resize(heatmap_np, (img_resized.shape[1], img_resized.shape[0]))
heatmap_uint8 = np.uint8(255 * heatmap_resized)
heatmap_colored = cv2.applyColorMap(heatmap_uint8, cv2.COLORMAP_JET)
next_step() # 90% - Redimensionnement
next_step() # 95% - Superposition
# Superposition des images
img_bgr = cv2.cvtColor(img_resized, cv2.COLOR_RGB2BGR)
superimposed_img = cv2.addWeighted(img_bgr, 0.6, heatmap_colored, 0.4, 0)
next_step() # 100% - Terminé
return cv2.cvtColor(superimposed_img, cv2.COLOR_BGR2RGB)
except Exception as e:
import traceback
traceback.print_exc()
_update_progress(progress, 100, "❌ Erreur")
return np.array(image_pil)
# ---- GESTION ASYNCHRONE / ÉTAT ----
current_image = None
current_predictions = None
# ---- Fonctions pour l'UI Gradio ----
import plotly.graph_objects as go
import numpy as np
import gradio as gr
def quick_predict_ui(image_pil):
global current_image, current_predictions
if image_pil is None:
# Figure vide pour le cas où il n'y a pas d'image
empty_fig = go.Figure()
empty_fig.update_layout(
title="Veuillez uploader une image pour voir les probabilités",
height=450,
template="plotly_white",
showlegend=False
)
return (
'Veuillez uploader une image.
',
"", # output_text vide
gr.update(value="", visible=False), # output_warning masqué
empty_fig, # Figure vide au lieu de None
"❌ Erreur: Aucune image fournie."
)
try:
current_image = image_pil
all_preds = predict_single(image_pil)
current_predictions = all_preds
ensemble_probs = all_preds["ensemble"]
top_class_idx = int(np.argmax(ensemble_probs))
top_class_name = CLASS_NAMES[top_class_idx]
global_diag = diagnosis_map[top_class_name]
# Probabilité de mélanome
mel_idx = CLASS_NAMES.index("mel")
mel_prob = ensemble_probs[mel_idx] * 100
# Description
desc_top = description.get(top_class_name, "")
# HTML pour le diagnostic global
if global_diag == "Malin":
global_diag_html = f'''
Diagnostic Global
{global_diag} : {ensemble_probs[top_class_idx]*100:.2f}% ▪ {top_class_name.upper()}
'''
else:
img_src = "non-mel.webp" if global_diag == "Bénin" else "mel.webp"
global_diag_html = f'''
Diagnostic Global
{global_diag} : {ensemble_probs[top_class_idx]*100:.2f}% ▪ {top_class_name.upper()}
'''
# Contenu pour output_text
output_text_html = f'Explication du résultat : {desc_top}
'
# Contenu pour output_warning
warning_visible = False
warning_html = ""
if mel_prob > 5 and top_class_name != "mel":
warning_html = f'''
⚠️ Le modèle a détecté un risque modéré de mélanome ({mel_prob:.1f}%).
Veuillez consulter votre médecin pour lever le doute.
'''
warning_visible = True
# Création du graphique Plotly
probabilities = [round(ensemble_probs[i] * 100, 2) for i in range(len(CLASS_NAMES))]
# Couleurs : rouge pour la classe prédite, bleu pour les autres
colors = ['#ff6b6b' if name == top_class_name else '#4ecdc4' for name in CLASS_NAMES]
fig = go.Figure(data=[
go.Bar(
x=CLASS_NAMES,
y=probabilities,
text=[f'{p:.2f}%' for p in probabilities], # Pourcentages avec 2 décimales
textposition='outside', # POURCENTAGES EN DEHORS DES BARRES
marker_color=colors,
hovertemplate='%{x}
Probabilité: %{y:.2f}%'
)
])
fig.update_layout(
#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
height=450,
template="plotly_white",
showlegend=False,
font=dict(size=12),
margin=dict(l=50, r=50, t=70, b=100) # Marge du bas augmentée pour les labels x
)
# Rotation des labels x pour une meilleure lisibilité
fig.update_xaxes(tickangle=45)
return (
global_diag_html,
output_text_html,
gr.update(value=warning_html, visible=warning_visible),
fig, # Retourner la figure Plotly
"✅ Analyse terminée."
)
except Exception as e:
# En cas d'erreur, retourner une figure vide
error_fig = go.Figure()
error_fig.update_layout(
title=f"Erreur lors de la création du graphique: {str(e)}",
height=450,
template="plotly_white",
showlegend=False
)
return (
f'Erreur: {str(e)}
',
"",
gr.update(value=f'''
❌ Une erreur est survenue : {str(e)}
''', visible=True),
error_fig, # Figure d'erreur au lieu de None
f"❌ Erreur: {str(e)}"
)
def generate_gradcam_ui(progress=gr.Progress()):
global current_image, current_predictions
if current_image is None or current_predictions is None:
return None, "❌ Aucun résultat précédent — lance d'abord l'analyse rapide."
try:
ensemble_probs = current_predictions["ensemble"]
top_class_idx = int(np.argmax(ensemble_probs))
# Sélection des modèles disponibles
candidates = []
if model_xcept is not None:
candidates.append(("xception", model_xcept, current_predictions["xception"][top_class_idx]))
if model_resnet50 is not None:
candidates.append(("resnet50", model_resnet50, current_predictions["resnet50"][top_class_idx]))
if model_densenet is not None:
candidates.append(("densenet201", model_densenet, current_predictions["densenet201"][top_class_idx]))
if not candidates:
return None, "❌ Aucun modèle disponible pour Grad-CAM."
# Choix du meilleur modèle
explainer_model_name, explainer_model, conf = max(candidates, key=lambda t: t[2])
explainer_layer = LAST_CONV_LAYERS.get(explainer_model_name)
# Génération Grad-CAM avec progression fluide
gradcam_img = make_gradcam(
current_image,
explainer_model,
explainer_layer,
class_index=top_class_idx,
progress=progress
)
return gradcam_img, f"✅ Grad-CAM généré avec {explainer_model_name} (confiance: {conf:.1%})"
except Exception as e:
import traceback
traceback.print_exc()
return None, f"❌ Erreur: {e}"
# ---- INTERFACE GRADIO ----
example_paths = ["ISIC_0024627.jpg", "ISIC_0025539.jpg", "ISIC_0031410.jpg"]
import pandas as pd
import gradio as gr
with gr.Blocks(theme=theme, title="Analyse de lésions", css=css) as demo:
gr.Markdown("# 🔬 Skin Care : analyse de lésions cutanées")
models_status = []
if model_resnet50:
models_status.append("☑ ResNet50")
if model_densenet:
models_status.append("☑ DenseNet201")
if model_xcept:
models_status.append("☑ Xception")
gr.Markdown(f"**Avertissement 🚨** cette application est un projet d'étudiant et ne doit être utilisé qu'à titre informatif. **Seul votre médecin est habilité à vous donner un diagnostic**.")
with gr.Row():
with gr.Column(scale=1):
input_image = gr.Image(type="pil", label="📸 Uploader une image")
with gr.Row():
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="🔍 Carte Colorée Grad-CAM")
output_status = gr.Textbox(label="Statut", interactive=False)
with gr.Column(scale=2):
output_label = gr.HTML(
value='Pour obtenir un diagnostic, uploadez une image ou prenez une photo.
',
elem_classes="diagnostic-global"
)
#gr.Markdown("### 💡 Explication")
output_text = gr.HTML(
value="",
elem_classes="warning-container"
)
output_warning = gr.HTML(
value="",
elem_classes="warning-container",
visible=False
)
# CORRECTION : Configuration simplifiée du BarPlot
# Créer un DataFrame initial vide ou avec des valeurs par défaut
initial_df = pd.DataFrame({
'Classes': CLASS_NAMES,
'Probabilités (%)': [0] * len(CLASS_NAMES)
})
# Configuration correcte du BarPlot
output_plot = gr.Plot(label="Probabilités par classe")
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.
RGPD & Digital Act :
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. Les images uploadées ne sont pas stockées.
La politique de Cookies 🍪 est gérée par Hugging Face disponible ici.
""")
# Configuration des événements
quick_btn.click(
fn=quick_predict_ui,
inputs=input_image,
outputs=[output_label, output_text, output_warning, output_plot, output_status]
)
gradcam_btn.click(
fn=generate_gradcam_ui,
inputs=[],
outputs=[output_gradcam, output_status]
)
demo.launch()