ColinceTatsa/Colince_TransferLearning

1import streamlit as st2import torch3from torchvision import transforms4from PIL import Image5import torch.nn.functional as F6import pickle7import pandas as pd8 9me = ['Accueil','Analyse Medicale']10st.sidebar.image("logoMédical.jpg", width=500)11p = st.sidebar.selectbox('menu', me)12 13@st.cache_resource  # Pour éviter de recharger le modècdle à chaque interaction14def charger_modele_pytorch():15    modele = torch.load('TATSA_Model1_TransfLr_py.pth',map_location=device, weights_only=False)  # Charge le modèle16    modele.eval()  # Important : mettez le modèle en mode évaluation17    return modele18#chemin_modele = charger_modele_pytorch()19#chemin_modele = st.text_input("Chemin vers le modèle (.pth)", "pytorch1.pth")20 21if torch.cuda.is_available():22    device = st.selectbox("Utiliser le GPU ou le CPU ?", ["GPU", "CPU"], index=0)23    device = torch.device("cuda" if device == "GPU" else "cpu")24else:25    #st.write("Aucun GPU détecté. Utilisation du CPU.")26    device = torch.device("cpu")27 28modele_charge = charger_modele_pytorch()29 30    # Transformation des images (Doit être la même que celle utilisée à l'entraînement)31transform = transforms.Compose([32    transforms.Resize((224, 224)),  # Modifier selon la taille utilisée à l'entraînement33    transforms.ToTensor(),34    transforms.Normalize(mean=[0.485,0.456,0.406],std=[0.229,0.224,0.225])])35if p == 'Accueil':36    st.image("logoKeyce.jpg")37    st.title('KEYCE INFORMATIQUE')38    st.title('EXAMEN SEMESTRE I, DE TRANSFERT LEARNING')39    st.subheader('MASTER 2 IABD')40    st.subheader('TATSA TCHINDA Colince')41    42elif p=='Analyse Medicale':43    st.image("logoKeyce.jpg")44    im2 = Image.open("logoPytorch.jpg")45    taille_image = (800, 200)  # Définir la taille souhaitée46    im2_red = im2.resize(taille_image)47    st.image(im2_red)48    st.title('TRANSFERT LEARNING AVEC PYTORCH')49    upload_file = st.sidebar.file_uploader('Choisissez une image',type=['jpg','jpeg','png'])50    51    if upload_file:52        image = Image.open(upload_file).convert("RGB")53        st.image(image, caption="Image chargée", use_container_width=True)54 55        # Prétraitement de l'image56        img_tensor = transform(image).unsqueeze(0)  # Ajout d'une dimension batch57        #bouton1 = st.sidebar.button('Resultat')58        #bouton2 = st.sidebar.buttonRadio('Probabilites')59        classes_p = {'HEALTHY': 0,'BRAIN_TUMOR': 1}60 61        def output_proba():62            output = modele_charge(img_tensor)63            probabilities = F.softmax(output, dim=1)64            return output, probabilities65 66        if st.sidebar.checkbox("resultat"):67            # Prédiction68            with torch.no_grad():69                output,_ =output_proba()70            predicted_class = torch.argmax(output, dim=1).item()71            72            for key, value in classes_p.items():73                if value == predicted_class:74                    st.title(f'Categorie de ➤ {key}')75            if st.sidebar.checkbox("Probabilités"):76                        77                _,probabilities = output_proba()78                df = pd.DataFrame({"Classe": classes_p.keys(),"Probabilité": probabilities.tolist()[0]})79 80                st.write("Probabilités :")81                st.dataframe(df)82 83