DavidNgoue's picture
Update app.py
46c5cbf verified
Raw History Blame Contribute Delete
15.6 kB
import streamlit as st
from PIL import Image
import numpy as np
import tensorflow as tf
from tensorflow.keras.models import load_model
import random
# Taille d'entrée pour les modèles
INPUT_SIZE = 224
# Chemins des modèles sauvegardés
MODEL_TF_PATH = "best_model.keras"
# Chargement des classes
class_names = ['Cyst', 'Normal', 'Stone', 'Tumor']
# Fonction pour prédire avec TensorFlow
def predict_with_tensorflow(model_path, image):
# Charger le modèle TensorFlow
model = load_model(model_path)
# Vérifier que INPUT_SIZE et class_names sont définis
assert "INPUT_SIZE" in globals() and "class_names" in globals(), \
"Les variables INPUT_SIZE et class_names doivent être définies globalement."
# Prétraitement de l'image
try:
# Redimensionner l'image à la taille attendue par le modèle
image_resized = image.resize((INPUT_SIZE, INPUT_SIZE))
image_array = np.array(image_resized) / 255.0 # Normalisation
image_array = np.expand_dims(image_array, axis=0) # Ajouter une dimension batch
except Exception as e:
raise ValueError(f"Erreur lors du prétraitement de l'image : {e}")
# Prédire avec le modèle
try:
predictions = model.predict(image_array) # Obtenir les probabilités pour chaque classe
predictions = predictions[0] # Récupérer la première ligne (cas batch=1)
except Exception as e:
raise ValueError(f"Erreur lors de la prédiction avec le modèle : {e}")
# Identifier la classe avec la plus haute probabilité
label_idx = np.argmax(predictions) # Index de la classe prédite
predicted_label = class_names[label_idx] # Nom de la classe prédite
return predicted_label, predictions
# Fonction JS pour animer les ballons
def show_balloons():
st.markdown("""
<script type="text/javascript">
function createBalloon(x, y) {
var balloon = document.createElement('div');
balloon.style.position = 'absolute';
balloon.style.left = x + 'px';
balloon.style.top = y + 'px';
balloon.style.width = '50px';
balloon.style.height = '50px';
balloon.style.background = 'url(https://example.com/balloon.png) no-repeat center center';
balloon.style.backgroundSize = 'contain';
balloon.style.animation = 'floatBalloon 6s ease-in-out infinite';
document.body.appendChild(balloon);
}
for (let i = 0; i < 5; i++) {
var x = Math.random() * window.innerWidth;
var y = Math.random() * window.innerHeight;
createBalloon(x, y);
}
</script>
""", unsafe_allow_html=True)
# CSS pour une interface moderne avec dégradés et icônes
st.markdown("""
<style>
body {
background: linear-gradient(135deg, #6e7fef, #f0c6d1);
font-family: 'Arial', sans-serif;
color: #333;
}
.title {
text-align: center;
font-size: 36px;
font-weight: bold;
color: #ff85a2;
text-shadow: 2px 2px 5px rgba(0, 0, 0, 0.3);
margin-top: 20px;
}
.upload-section {
text-align: center;
margin: 20px;
}
.btn-primary {
background-color: #6e7fef;
border-color: #6e7fef;
color: white;
font-weight: bold;
}
.btn-primary:hover {
background-color: #5573d7;
}
.result {
text-align: center;
font-size: 24px;
color: #444;
}
.about-section {
margin-top: 40px;
font-size: 16px;
line-height: 1.6;
color: #555;
}
.legend {
font-size: 14px;
color: #555;
}
.sidebar .sidebar-content {
background: linear-gradient(135deg, #ff85a2, #ffeb3b);
color: #333;
padding-top: 20px;
}
.sidebar .sidebar-content .block-container {
padding-left: 20px;
}
.sidebar .sidebar-content .block {
background-color: rgba(255, 255, 255, 0.7);
padding: 10px;
border-radius: 8px;
margin-bottom: 10px;
}
.stSidebar {
background: linear-gradient(to right, #FF6F00, #D92D2F);;
color: white;
font-size: 16px;
}
.logo {
max-width: 200px;
margin: 20px auto;
}
.logo-description {
text-align: center;
font-size: 18px;
color: white;
margin-bottom: 30px;
}
.sidebar select {
width: 100%;
padding: 10px;
background-color: #f3f3f3;
border-radius: 8px;
font-size: 16px;
border: 1px solid #ccc;
}
@keyframes floatBalloon {
0% { transform: translateY(0); opacity: 1; }
50% { transform: translateY(-200px); opacity: 0.5; }
100% { transform: translateY(0); opacity: 1; }
}
</style>
""", unsafe_allow_html=True)
# Application Streamlit
st.markdown('<div class="title">Application de Classification d\'Images</div>', unsafe_allow_html=True)
menu = st.sidebar.selectbox("Menu", ["🧠 Accueil", "Classification de l'état des reins avec ResNet50", "👨‍💻À propos", "Légendes des modèles"])
if menu == "🧠 Accueil":
st.write("Bienvenue dans notre application de classification d'images. Cette application a été développée pour la classification d'images dans le contexte du **CT-KIDNEY-DATASET-Normal-Cyst-Tumor-Stone**, un dataset médical contenant des images de tomodensitométrie (CT) de reins, avec des catégories représentant des reins normaux, des kystes, des tumeurs et des calculs rénaux.")
st.write("""
Cette application a pour objectif de classer ces images en différentes catégories (**Normal** Aucun problème: , **Cyst**: Kystes rénaux, **Tumor**: Tumeur rénale, **Stone**: Calculs rénaux) à l'aide de modèles de machine learning.
Nous avons effectué du Transfer Learning sur trois modèles pré entrainés et avons fait un comparatif des trois avant de choisir **ResNet50** comme celui avec les meilleurs caractéristiques.
Ces modèles ont été entraînés sur le dataset CT-KIDNEY-DATASET et peuvent être utilisés pour prédire la catégorie d'une image donnée, en détectant des anomalies ou en validant l'état du rein à partir des images CT.
""")
# Création des onglets pour chaque modèle
tab_resnet50, tab_vgg16, tab_mobilenetv2 = st.tabs(["ResNet50", "VGG16", "MobileNetV2"])
with tab_resnet50:
st.image("resnet50_image.webp", caption="ResNet50", width=700)
st.write("""
**ResNet50** est un réseau de neurones convolutif profond (CNN) très populaire pour la classification d'images, introduit dans l'article "Deep Residual Learning for Image Recognition".
### Avantages :
- Utilise des **connexions résiduelles** pour résoudre les problèmes de dégradation des performances lors de l'augmentation de la profondeur du réseau.
- Excellente précision sur de grandes bases de données d'images comme ImageNet.
- Convient pour le **fine-tuning** sur des données spécifiques grâce à son architecture pré-entraînée.
### Utilisation :
ResNet50 est largement utilisé dans des tâches comme :
- La reconnaissance d'objets.
- La segmentation d'images.
- La détection de maladies en imagerie médicale.
""")
with tab_vgg16:
st.image("vgg16_image.jpg", caption="VGG16", width=700)
st.write("""
**VGG16** est un modèle de CNN développé par l'équipe de recherche Visual Geometry Group (VGG). Il est connu pour sa simplicité et son efficacité dans la classification d'images.
### Avantages :
- Architecture simple avec des couches convolutives empilées suivies de couches entièrement connectées.
- Bonne généralisation, même pour des données en dehors de son domaine d'origine.
- Facilement extensible pour des tâches comme la segmentation et la détection.
### Utilisation :
VGG16 est utilisé pour :
- La classification d'images dans des bases de données variées.
- L'extraction de caractéristiques pour des modèles personnalisés.
- Les applications médicales nécessitant des modèles interprétables.
""")
with tab_mobilenetv2:
st.image("mobilenetv2.webp", caption="MobileNetV2", width=700)
st.write("""
**MobileNetV2** est un modèle léger optimisé pour les appareils mobiles et embarqués. Il repose sur des blocs convolutifs de profondeur et des connexions résiduelles.
### Avantages :
- Très efficace en termes de calcul avec un compromis optimal entre précision et vitesse.
- Convient aux appareils à faible puissance (comme les smartphones).
- Supporte le déploiement facile via TensorFlow Lite ou PyTorch Mobile.
### Utilisation :
MobileNetV2 est utilisé pour :
- La reconnaissance d'images en temps réel sur des appareils mobiles.
- Les applications embarquées nécessitant des modèles compacts.
- Les tâches de vision par ordinateur sur des données limitées en ressources.
""")
st.write("Ces modèles pré-entraînés sont tous des choix puissants, adaptés à divers scénarios. Le choix dépend des besoins en performances, en taille de modèle et en capacité d'adaptation aux appareils cibles.")
elif menu == "Classification de l'état des reins avec ResNet50":
# Ajout d'un sous-titre explicatif pour informer sur la fonctionnalité
st.subheader("Classification avec ResNet50 (TensorFlow)")
# Présentation de la fonctionnalité pour l'utilisateur
st.markdown("""
Cette section vous permet de **classer une image d'état des reins** en fonction de son apparence.
Le modèle utilise **ResNet50**, une architecture d'apprentissage profond optimisée pour analyser les images.
Voici ce que vous devez faire :
1. Téléchargez une image au format `jpg`, `jpeg` ou `png`.
2. Cliquez sur le bouton **Classifier** pour lancer l'analyse.
3. Obtenez le résultat du diagnostic (Normal ou Anomalie) accompagné d'un graphique des probabilités.
""")
# Étape 1 : L'utilisateur télécharge une image
uploaded_file = st.file_uploader("Téléchargez une image des reins (format jpg, jpeg ou png)", type=["jpg", "jpeg", "png"])
if uploaded_file is not None:
# Affiche l'image téléchargée
image = Image.open(uploaded_file)
st.image(image, caption="Image téléchargée avec succès", use_container_width=True)
# Explication pour l'étape suivante
st.markdown("""
Cliquez sur le bouton **Classifier** pour que le modèle analyse l'image et détermine si l'état des reins est **Normal** ou présente une **Anomalie**.
""")
# Étape 2 : L'utilisateur clique pour classifier l'image
if st.button("Classifier"):
# Appel de la fonction de prédiction avec le modèle ResNet50
label, probabilities = predict_with_tensorflow(MODEL_TF_PATH, image)
# Affichage du résultat
st.markdown(f"""
### Résultat de la classification :
**Classe prédite :** {label}
""", unsafe_allow_html=True)
# Affichage des probabilités sous forme de graphique
st.markdown("""
#### Confiance du modèle dans chaque catégorie :
Le graphique ci-dessous montre la probabilité associée à chaque classe. Une probabilité élevée indique la classe la plus probable.
""")
st.bar_chart(probabilities)
# Affichage d'un message visuel en fonction de la classe prédite
if label == "Normal":
st.balloons() # Animation festive si le résultat est "Normal"
st.success("Félicitations ! L'image a été classée comme **Normale**.")
else:
st.error("Désolé, le modèle indique une **Anomalie** dans l'image téléchargée.")
st.markdown("""
#### Que faire en cas d'anomalie ?
Si une anomalie est détectée, il est recommandé de :
- Vérifier l'image téléchargée pour s'assurer qu'elle est correcte.
- Contacter un professionnel de santé pour une analyse approfondie.
""")
elif menu == "Légendes des modèles":
st.subheader("Légendes des modèles")
st.write("Voici des informations détaillées sur le modèle utilisé dans cette application :")
st.write("""
### ResNet50 avec Transfert Learning
**ResNet50** est un réseau de neurones convolutif pré-entraîné sur le dataset ImageNet.
Grâce au **transfert learning**, nous avons adapté ce modèle à notre propre jeu de données pour effectuer des classifications spécifiques.
#### Avantages de ResNet50 :
- **Connexions résiduelles** qui facilitent l'apprentissage pour des réseaux profonds.
- **Performances élevées** pour les tâches de vision par ordinateur, même avec des données limitées.
- Adapté pour des tâches comme la reconnaissance d'images ou la classification médicale.
#### Fonctionnement :
- Nous avons utilisé le modèle pré-entraîné pour extraire des caractéristiques.
- Les couches de classification finales ont été remplacées par des couches adaptées à notre domaine.
### Visualisation des résultats :
- Une image téléchargée est analysée par le modèle.
- Les probabilités des différentes classes sont affichées sous forme de graphique.
""")
elif menu == "👨‍💻À propos":
st.header("À propos de moi")
st.markdown(
"""
<div style="text-align:center; font-family: Arial; margin: 20px 0;">
<h2>Mon Parcours</h2>
<p>Je suis un passionné de l'intelligence artificielle et de la donnée. Actuellement en Master 2 en IA et Big Data, je travaille sur des solutions innovantes dans le domaine de l'Intelligence Artificielle appliquée à la santé.</p>
</div>
<div style="display: flex; justify-content: center; gap: 30px; flex-wrap: wrap;">
<div style="text-align: center;">
<img src="https://avatars.githubusercontent.com/u/1234567" alt="Ngoue David" style="width: 150px; height: 150px; border-radius: 50%;">
<h4>Ngoue David</h4>
<p>🎓 Master 2 IA & Big Data</p>
<p>📧 <a href="mailto:ngouedavidrogeryannick@gmail.com">ngouedavidrogeryannick@gmail.com</a></p>
<p>🌐 <a href="https://github.com/TheBeyonder237" target="_blank">Profil GitHub</a></p>
</div>
</div>
""", unsafe_allow_html=True)