CircleStar commited on
Commit
baf4bff
·
verified ·
1 Parent(s): 4fe336e

Add color legend to map figures, linear regression comparison tab, and remove emoji from UI

Browse files
Files changed (1) hide show
  1. app.py +161 -31
app.py CHANGED
@@ -3,10 +3,12 @@ import numpy as np
3
  import matplotlib
4
  matplotlib.use('Agg')
5
  import matplotlib.pyplot as plt
 
6
  import rasterio
7
  import json
8
  import os
9
  from sklearn.neighbors import KNeighborsClassifier
 
10
  from sklearn.preprocessing import StandardScaler
11
 
12
  # ─────────────────────────────────────────────────────────────────────────────
@@ -132,10 +134,54 @@ def train_and_predict(student_labels, k):
132
 
133
  return model_oa, model_matrix, pred_gt, y_gt, knn_ref_gt, pred_full
134
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
135
  # ─────────────────────────────────────────────────────────────────────────────
136
  # Visualization helpers
137
  # ─────────────────────────────────────────────────────────────────────────────
138
 
 
 
 
 
 
 
 
 
 
 
139
  def fig_confusion_matrix(matrix, oa, title, cmap='Blues'):
140
  """Generic 7×7 confusion matrix plot: predicted classes vs Ground Truth."""
141
  short = ["Eau", "Vergers", "Δ-Cult.", "Bâti", "Irr.-Dés.", "Non-Irr.", "Sable"]
@@ -214,19 +260,19 @@ def fig_gt_maps(pred_gt, y_gt, knn_ref_gt):
214
  acc = correct.mean() * 100
215
  fig.suptitle(f"Précision de votre modèle sur les pixels de vérité terrain : {acc:.1f}%",
216
  fontsize=12, fontweight='bold')
217
- plt.tight_layout()
 
218
  return fig
219
 
220
- def fig_full_maps(pred_full, knn_full):
221
  """Full-image classification maps: EVERY pixel, not just the ~21k Ground
222
- Truth locations. Both your model and the reference model classify the whole
223
- image — but outside Ground Truth locations there is no known right answer,
224
- so accuracy can't be computed here. This is purely illustrative."""
225
- fig, axes = plt.subplots(1, 2, figsize=(14, 6.5))
226
- panels = [
227
- (pred_full, "Votre modèle KNN — carte complète"),
228
- (knn_full, "Modèle de référence (enseignant) — carte complète"),
229
- ]
230
  for ax, (classes, title) in zip(axes, panels):
231
  ax.imshow(COLORS_RGB[classes])
232
  ax.set_title(title, fontsize=11, fontweight='bold')
@@ -235,7 +281,8 @@ def fig_full_maps(pred_full, knn_full):
235
  "Classification sur l'ensemble de l'image (précision non évaluable hors vérité terrain)",
236
  fontsize=11,
237
  )
238
- plt.tight_layout()
 
239
  return fig
240
 
241
  def fig_student_matrix(student_labels):
@@ -290,7 +337,7 @@ def build_results_table(student_labels):
290
  t = DATA['polygon_teacher'].get(pid, 0)
291
  s_str = f"{s} – {CLASSES.get(int(s), '?')}" if s is not None else "—"
292
  t_str = f"{t} – {CLASSES.get(t, '?')}"
293
- match = "✅" if (s is not None and int(s) == t) else ("❌" if s is not None else "—")
294
  rows.append([pid, s_str, t_str, match])
295
  return rows
296
 
@@ -305,7 +352,7 @@ with gr.Blocks(title="Interprétation de polygones – Vallée du Nil") as demo:
305
 
306
  # ── Header ─────────────────────────────────────────────────────────────
307
  gr.Markdown("""
308
- # 🛰️ Interprétation de polygones d'entraînement – Vallée du Nil
309
 
310
  **Objectif :** Interprétez visuellement chacun des 23 polygones d'entraînement,
311
  puis soumettez vos réponses pour générer la carte et la matrice de confusion.
@@ -316,19 +363,19 @@ puis soumettez vos réponses pour générer la carte et la matrice de confusion.
316
  with gr.Tabs() as tabs:
317
 
318
  # ── Tab 1: Légende des classes ────────────────────────────────────
319
- with gr.Tab("📋 Classes d'occupation du sol"):
320
  gr.Markdown("""
321
  ## Classes d'occupation du sol
322
 
323
  | N° | Classe | Couleur |
324
  |----|--------|---------|
325
- | 1 | Eau | 🔵 Bleu |
326
- | 2 | Vergers | 🟢 Vert foncé |
327
- | 3 | Cultures dans le Delta | 💚 Vert clair |
328
- | 4 | Zones bâties | 🔴 Rouge |
329
- | 5 | Cultures irriguées dans le désert | 🟠 Orange |
330
- | 6 | Cultures non irriguées en zone sèche | 🟤 Marron |
331
- | 7 | Zones sableuses | 🟡 Jaune clair |
332
 
333
  ---
334
  **Conseils d'interprétation :**
@@ -341,7 +388,7 @@ puis soumettez vos réponses pour générer la carte et la matrice de confusion.
341
  """)
342
 
343
  # ── Tab 2: Interprétation ─────────────────────────────────────────
344
- with gr.Tab("🖊️ Interprétation des polygones"):
345
  progress_md = gr.Markdown("**0 / 23 polygones étiquetés**")
346
 
347
  with gr.Row():
@@ -354,8 +401,8 @@ puis soumettez vos réponses pour générer la carte et la matrice de confusion.
354
  height=500,
355
  )
356
  with gr.Row():
357
- btn_prev = gr.Button("◀ Précédent", size="sm", variant="secondary")
358
- btn_next = gr.Button("Suivant ▶", size="sm", variant="primary")
359
  jump_dropdown = gr.Dropdown(
360
  choices=[str(i) for i in range(1, N_POLYGONS + 1)],
361
  value="1",
@@ -377,14 +424,14 @@ puis soumettez vos réponses pour générer la carte et la matrice de confusion.
377
  gr.Markdown("---")
378
  progress_bar = gr.Markdown("**Progression : 0 / 23**")
379
  btn_submit = gr.Button(
380
- "🚀 Voir ma précision d'interprétation",
381
  variant="primary",
382
  visible=False,
383
  size="lg",
384
  )
385
 
386
  # ── Tab 3: Résultats de l'interprétation ──────────────────────────
387
- with gr.Tab("📊 Résultats", id="tab_results") as tab_results:
388
  results_placeholder = gr.Markdown(
389
  "*(Les résultats apparaîtront ici après soumission)*"
390
  )
@@ -398,7 +445,7 @@ puis soumettez vos réponses pour générer la carte et la matrice de confusion.
398
  student_matrix_plot = gr.Plot(label="Votre interprétation vs Enseignant")
399
 
400
  # ── Tab 4: Entraînement du modèle KNN ──────────────────────────────
401
- with gr.Tab("🧠 Entraînement du modèle KNN"):
402
  gr.Markdown("""
403
  ## Entraînez votre propre modèle KNN
404
 
@@ -412,7 +459,7 @@ pixels de vérité terrain (indépendants des polygones d'entraînement).
412
  label="k (nombre de voisins)",
413
  )
414
  btn_train = gr.Button(
415
- "🚀 Entraîner mon modèle KNN",
416
  variant="primary",
417
  size="lg",
418
  )
@@ -435,6 +482,36 @@ pixels de vérité terrain (indépendants des polygones d'entraînement).
435
  visible=False,
436
  )
437
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
438
  # ─────────────────────────────────────────────────────────────────────
439
  # Event handlers
440
  # ─────────────────────────────────────────────────────────────────────
@@ -515,8 +592,8 @@ pixels de vérité terrain (indépendants des polygones d'entraînement).
515
  total = count_labeled(current_labels)
516
  if total < N_POLYGONS:
517
  warning = (
518
- f"⚠️ Vous n'avez étiqueté que {total}/{N_POLYGONS} polygones. "
519
- f"Terminez l'étiquetage dans l'onglet 🖊️ *Interprétation des polygones* "
520
  f"avant d'entraîner un modèle."
521
  )
522
  return (
@@ -541,7 +618,10 @@ pixels de vérité terrain (indépendants des polygones d'entraînement).
541
  model_fig = fig_model_matrix(model_matrix, model_oa)
542
  knn_fig = fig_knn_matrix()
543
  map_fig = fig_gt_maps(pred_gt, y_gt, knn_ref_gt)
544
- full_fig = fig_full_maps(pred_full, DATA['knn_result'])
 
 
 
545
 
546
  return (
547
  gr.update(visible=False),
@@ -553,6 +633,44 @@ pixels de vérité terrain (indépendants des polygones d'entraînement).
553
  gr.update(value=full_fig, visible=True),
554
  )
555
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
556
  # Wire up navigation (Précédent / Suivant / direct jump-to-polygon dropdown —
557
  # all three can be used freely and repeatedly, in any order, at any time)
558
  btn_prev.click(
@@ -615,5 +733,17 @@ pixels de vérité terrain (indépendants des polygones d'entraînement).
615
  ],
616
  )
617
 
 
 
 
 
 
 
 
 
 
 
 
 
618
  if __name__ == "__main__":
619
  demo.launch(server_name="0.0.0.0", server_port=7860)
 
3
  import matplotlib
4
  matplotlib.use('Agg')
5
  import matplotlib.pyplot as plt
6
+ from matplotlib.patches import Patch
7
  import rasterio
8
  import json
9
  import os
10
  from sklearn.neighbors import KNeighborsClassifier
11
+ from sklearn.linear_model import LinearRegression
12
  from sklearn.preprocessing import StandardScaler
13
 
14
  # ─────────────────────────────────────────────────────────────────────────────
 
134
 
135
  return model_oa, model_matrix, pred_gt, y_gt, knn_ref_gt, pred_full
136
 
137
+ def train_and_predict_regression(student_labels):
138
+ """Train a plain linear regression on the same 23 labeled polygons, treating
139
+ the class numbers as a continuous target. Class numbers are nominal
140
+ categories, not an ordered scale, so this is the wrong tool for the job —
141
+ predictions are rounded to the nearest class to see just how wrong."""
142
+ bands = DATA['bands']
143
+ training_ids = DATA['training_ids']
144
+ ground_truth = DATA['ground_truth']
145
+
146
+ train_mask = training_ids > 0
147
+ X_train = bands[train_mask]
148
+ y_train = np.array(
149
+ [int(student_labels[pid - 1]) for pid in training_ids[train_mask]], dtype=np.float64
150
+ )
151
+
152
+ scaler = StandardScaler().fit(X_train)
153
+ reg = LinearRegression()
154
+ reg.fit(scaler.transform(X_train), y_train)
155
+
156
+ gt_mask = ground_truth > 0
157
+ X_gt = bands[gt_mask]
158
+ pred_gt = np.clip(np.rint(reg.predict(scaler.transform(X_gt))), 1, 7).astype(int)
159
+ y_gt = ground_truth[gt_mask]
160
+
161
+ model_matrix = np.zeros((7, 7), dtype=np.int64)
162
+ np.add.at(model_matrix, (y_gt - 1, pred_gt - 1), 1)
163
+ model_oa = model_matrix.diagonal().sum() / model_matrix.sum()
164
+
165
+ H, W, n_bands = bands.shape
166
+ raw_full = reg.predict(scaler.transform(bands.reshape(-1, n_bands)))
167
+ pred_full = np.clip(np.rint(raw_full), 1, 7).astype(int).reshape(H, W)
168
+
169
+ return model_oa, model_matrix, pred_full
170
+
171
  # ─────────────────────────────────────────────────────────────────────────────
172
  # Visualization helpers
173
  # ─────────────────────────────────────────────────────────────────────────────
174
 
175
+ def add_class_legend(fig):
176
+ """Attach the color-to-class legend directly under a map figure, so it
177
+ doesn't rely on the student remembering the table from the first tab."""
178
+ handles = [
179
+ Patch(facecolor=COLORS_RGB[i] / 255.0, edgecolor='none', label=f"{i} - {CLASSES[i]}")
180
+ for i in range(1, 8)
181
+ ]
182
+ fig.legend(handles=handles, loc='lower center', ncol=4, fontsize=8,
183
+ frameon=False, bbox_to_anchor=(0.5, -0.02))
184
+
185
  def fig_confusion_matrix(matrix, oa, title, cmap='Blues'):
186
  """Generic 7×7 confusion matrix plot: predicted classes vs Ground Truth."""
187
  short = ["Eau", "Vergers", "Δ-Cult.", "Bâti", "Irr.-Dés.", "Non-Irr.", "Sable"]
 
260
  acc = correct.mean() * 100
261
  fig.suptitle(f"Précision de votre modèle sur les pixels de vérité terrain : {acc:.1f}%",
262
  fontsize=12, fontweight='bold')
263
+ plt.tight_layout(rect=[0, 0.08, 1, 1])
264
+ add_class_legend(fig)
265
  return fig
266
 
267
+ def fig_full_maps(*panels):
268
  """Full-image classification maps: EVERY pixel, not just the ~21k Ground
269
+ Truth locations. A model classifies the whole image — but outside Ground
270
+ Truth locations there is no known right answer, so accuracy can't be
271
+ computed there. This is purely illustrative.
272
+ panels: one or more (classes_2d, title) tuples."""
273
+ fig, axes = plt.subplots(1, len(panels), figsize=(7 * len(panels), 6.5))
274
+ if len(panels) == 1:
275
+ axes = [axes]
 
276
  for ax, (classes, title) in zip(axes, panels):
277
  ax.imshow(COLORS_RGB[classes])
278
  ax.set_title(title, fontsize=11, fontweight='bold')
 
281
  "Classification sur l'ensemble de l'image (précision non évaluable hors vérité terrain)",
282
  fontsize=11,
283
  )
284
+ plt.tight_layout(rect=[0, 0.1, 1, 0.95])
285
+ add_class_legend(fig)
286
  return fig
287
 
288
  def fig_student_matrix(student_labels):
 
337
  t = DATA['polygon_teacher'].get(pid, 0)
338
  s_str = f"{s} – {CLASSES.get(int(s), '?')}" if s is not None else "—"
339
  t_str = f"{t} – {CLASSES.get(t, '?')}"
340
+ match = "Correct" if (s is not None and int(s) == t) else ("Incorrect" if s is not None else "—")
341
  rows.append([pid, s_str, t_str, match])
342
  return rows
343
 
 
352
 
353
  # ── Header ─────────────────────────────────────────────────────────────
354
  gr.Markdown("""
355
+ # Interprétation de polygones d'entraînement – Vallée du Nil
356
 
357
  **Objectif :** Interprétez visuellement chacun des 23 polygones d'entraînement,
358
  puis soumettez vos réponses pour générer la carte et la matrice de confusion.
 
363
  with gr.Tabs() as tabs:
364
 
365
  # ── Tab 1: Légende des classes ────────────────────────────────────
366
+ with gr.Tab("Classes d'occupation du sol"):
367
  gr.Markdown("""
368
  ## Classes d'occupation du sol
369
 
370
  | N° | Classe | Couleur |
371
  |----|--------|---------|
372
+ | 1 | Eau | Bleu |
373
+ | 2 | Vergers | Vert foncé |
374
+ | 3 | Cultures dans le Delta | Vert clair |
375
+ | 4 | Zones bâties | Rouge |
376
+ | 5 | Cultures irriguées dans le désert | Orange |
377
+ | 6 | Cultures non irriguées en zone sèche | Marron |
378
+ | 7 | Zones sableuses | Jaune clair |
379
 
380
  ---
381
  **Conseils d'interprétation :**
 
388
  """)
389
 
390
  # ── Tab 2: Interprétation ─────────────────────────────────────────
391
+ with gr.Tab("Interprétation des polygones"):
392
  progress_md = gr.Markdown("**0 / 23 polygones étiquetés**")
393
 
394
  with gr.Row():
 
401
  height=500,
402
  )
403
  with gr.Row():
404
+ btn_prev = gr.Button("< Précédent", size="sm", variant="secondary")
405
+ btn_next = gr.Button("Suivant >", size="sm", variant="primary")
406
  jump_dropdown = gr.Dropdown(
407
  choices=[str(i) for i in range(1, N_POLYGONS + 1)],
408
  value="1",
 
424
  gr.Markdown("---")
425
  progress_bar = gr.Markdown("**Progression : 0 / 23**")
426
  btn_submit = gr.Button(
427
+ "Voir ma précision d'interprétation",
428
  variant="primary",
429
  visible=False,
430
  size="lg",
431
  )
432
 
433
  # ── Tab 3: Résultats de l'interprétation ──────────────────────────
434
+ with gr.Tab("Résultats", id="tab_results") as tab_results:
435
  results_placeholder = gr.Markdown(
436
  "*(Les résultats apparaîtront ici après soumission)*"
437
  )
 
445
  student_matrix_plot = gr.Plot(label="Votre interprétation vs Enseignant")
446
 
447
  # ── Tab 4: Entraînement du modèle KNN ──────────────────────────────
448
+ with gr.Tab("Entraînement du modèle KNN"):
449
  gr.Markdown("""
450
  ## Entraînez votre propre modèle KNN
451
 
 
459
  label="k (nombre de voisins)",
460
  )
461
  btn_train = gr.Button(
462
+ "Entraîner mon modèle KNN",
463
  variant="primary",
464
  size="lg",
465
  )
 
482
  visible=False,
483
  )
484
 
485
+ # ── Tab 5: Régression linéaire, pour comparaison ────────────────────
486
+ with gr.Tab("Régression linéaire (comparaison)"):
487
+ gr.Markdown("""
488
+ ## Un algorithme de régression est-il adapté à ce problème ?
489
+
490
+ Les numéros de classe (1 à 7) sont des **catégories** (nominales), pas une
491
+ échelle continue : la classe 4 n'est pas "le double" de la classe 2. Un
492
+ algorithme de régression linéaire l'ignore complètement : il essaie de
493
+ prédire un nombre continu (par exemple 4.37) à partir des valeurs spectrales,
494
+ puis on arrondit à la classe la plus proche pour pouvoir comparer.
495
+
496
+ Entraînez-le ci-dessous sur les mêmes 23 étiquettes que votre modèle KNN,
497
+ pour voir comment un algorithme mal adapté au problème se comporte.
498
+ """)
499
+ reg_warning_md = gr.Markdown(visible=False)
500
+ btn_train_reg = gr.Button(
501
+ "Entraîner le modèle de régression linéaire",
502
+ variant="primary",
503
+ size="lg",
504
+ )
505
+ reg_accuracy_md = gr.Markdown(visible=False)
506
+ reg_matrix_plot = gr.Plot(
507
+ label="Régression linéaire vs Vérité terrain",
508
+ visible=False,
509
+ )
510
+ reg_full_plot = gr.Plot(
511
+ label="Carte complète — régression linéaire",
512
+ visible=False,
513
+ )
514
+
515
  # ─────────────────────────────────────────────────────────────────────
516
  # Event handlers
517
  # ─────────────────────────────────────────────────────────────────────
 
592
  total = count_labeled(current_labels)
593
  if total < N_POLYGONS:
594
  warning = (
595
+ f"Vous n'avez étiqueté que {total}/{N_POLYGONS} polygones. "
596
+ f"Terminez l'étiquetage dans l'onglet *Interprétation des polygones* "
597
  f"avant d'entraîner un modèle."
598
  )
599
  return (
 
618
  model_fig = fig_model_matrix(model_matrix, model_oa)
619
  knn_fig = fig_knn_matrix()
620
  map_fig = fig_gt_maps(pred_gt, y_gt, knn_ref_gt)
621
+ full_fig = fig_full_maps(
622
+ (pred_full, "Votre modèle KNN — carte complète"),
623
+ (DATA['knn_result'], "Modèle de référence (enseignant) — carte complète"),
624
+ )
625
 
626
  return (
627
  gr.update(visible=False),
 
633
  gr.update(value=full_fig, visible=True),
634
  )
635
 
636
+ def on_train_regression(current_labels):
637
+ """Train a plain linear regression on the student's own labels, to show
638
+ why a model not designed for categorical classes performs poorly."""
639
+ total = count_labeled(current_labels)
640
+ if total < N_POLYGONS:
641
+ warning = (
642
+ f"Vous n'avez étiqueté que {total}/{N_POLYGONS} polygones. "
643
+ f"Terminez l'étiquetage dans l'onglet *Interprétation des polygones* "
644
+ f"avant d'entraîner un modèle."
645
+ )
646
+ return (
647
+ gr.update(value=warning, visible=True),
648
+ gr.update(visible=False),
649
+ gr.update(visible=False),
650
+ gr.update(visible=False),
651
+ )
652
+
653
+ model_oa, model_matrix, pred_full = train_and_predict_regression(current_labels)
654
+ acc_text = (
655
+ f"**Précision globale = {model_oa*100:.1f}%**\n\n"
656
+ f"*(Comparez ce chiffre à la précision de votre modèle KNN dans l'onglet précédent — "
657
+ f"la régression linéaire prédit un nombre continu puis l'arrondit à la classe la plus "
658
+ f"proche, ce qui n'a pas de sens pour des catégories non ordonnées.)*"
659
+ )
660
+ matrix_fig = fig_confusion_matrix(
661
+ model_matrix, model_oa,
662
+ "Matrice de confusion – Régression linéaire vs Vérité terrain",
663
+ cmap='Reds',
664
+ )
665
+ full_fig = fig_full_maps((pred_full, "Régression linéaire — carte complète"))
666
+
667
+ return (
668
+ gr.update(visible=False),
669
+ gr.update(value=acc_text, visible=True),
670
+ gr.update(value=matrix_fig, visible=True),
671
+ gr.update(value=full_fig, visible=True),
672
+ )
673
+
674
  # Wire up navigation (Précédent / Suivant / direct jump-to-polygon dropdown —
675
  # all three can be used freely and repeatedly, in any order, at any time)
676
  btn_prev.click(
 
733
  ],
734
  )
735
 
736
+ # Wire up regression training (separate tab, for comparison against KNN)
737
+ btn_train_reg.click(
738
+ on_train_regression,
739
+ inputs=[labels],
740
+ outputs=[
741
+ reg_warning_md,
742
+ reg_accuracy_md,
743
+ reg_matrix_plot,
744
+ reg_full_plot,
745
+ ],
746
+ )
747
+
748
  if __name__ == "__main__":
749
  demo.launch(server_name="0.0.0.0", server_port=7860)