Create app.py

app.py

@@ -0,0 +1,60 @@
+import gradio as gr
+import tensorflow as tf
+import numpy as np
+from PIL import Image
+
+# Charger les modèles (remplacez les chemins par vos fichiers de modèles)
+model1 = tf.keras.models.load_model('model_v2_Q1.keras')
+model2 = tf.keras.models.load_model('model_v2_Q2.keras')
+#model3 = tf.keras.models.load_model('model3.h5')
+#model4 = tf.keras.models.load_model('Model_4_Final.keras')
+
+models = {
+    "Modèle 1 (genre uniquement)": {
+        "model": model1, "type": "gender_only"
+    },
+    "Modèle 2 (âge uniquement)": {
+        "model": model2, "type": "age_only"
+    }
+}
+#models = []
+
+IMG_SIZE = (64, 64)
+
+# Fonction de prédiction
+def predict(image, model_name):
+    image = image.resize(IMG_SIZE)  # Redimensionner selon la taille attendue
+    image_array = np.array(image) / 255.0  # Normalisation
+    image_array = np.expand_dims(image_array, axis=0)  # Ajouter batch dimension (demandé par tensorflow/keras qui demande à recevoir un groupe d'image plutôt que juste une seule)
+    
+    model_data = models[model_name]
+    model = model_data["model"]
+    model_type = model_data["type"]
+    
+    prediction = model.predict(image_array)
+    
+    return_text = ""
+    if model_type == "gender_only":
+        gender_value = prediction[0][0]
+        gender = "Homme" if gender_value < 0.5 else "Femme" # Genre basé sur probabilité
+        return_text = f"Genre: {gender} ({gender_value} - {get_gender_confidence(gender_value)} certitude)"
+    elif model_type == "age_only":
+        age_value = prediction[0][0]
+        age = round(prediction[0][0])  # Exemple : âge comme valeur continue
+        return_text = f"Age: {age} ({age_value})"
+    
+    return f"{return_text}"
+
+def get_gender_confidence(gender_value):
+    return f"{round(abs(gender_value - 0.5) * 2 * 100)}%"
+
+# Interface Gradio
+iface = gr.Interface(
+    fn=predict,
+    inputs=[gr.Image(type="pil"), gr.Dropdown(choices=list(models.keys()), label="Choisir un modèle")],
+    outputs=gr.Textbox(label="Prédictions des modèles")
+)
+
+# Lancer l'interface
+if __name__ == "__main__":
+    iface.launch()