Update README.md

README.md

@@ -86,4 +86,145 @@ Le modèle a été entraîné sur un jeu de données **synthétique** créé man
 
 -----
 
-*Ce projet a été développé avec passion par Clemylia pour l'apprentissage du Machine Learning **from scratch** en PyTorch. Contribuez à la ruche \! 💛*
+*Ce projet a été développé avec passion par Clemylia pour l'apprentissage du Machine Learning **from scratch** en PyTorch. Contribuez à la ruche \! 💛*
+
+**exemples de code d'utilisation**:
+
+```
+import torch
+import torch.nn as nn
+import numpy as np
+from huggingface_hub import hf_hub_download 
+
+# ==============================================================================
+# 1. Configuration et Architecture (DOIT correspondre au modèle entraîné)
+# ==============================================================================
+
+# --- Constantes du Modèle ---
+REPO_ID = "Clemylia/BeeAI-Bena"
+FILENAME = "pytorch_model.bin"
+
+FLOWER_NAMES = [
+    'lavande', 'coquelicot', 'muguet', 'lilas', 'jasmin', 
+    'marguerite', 'rose', 'tournesol', 'acacia', 'tulipe',
+    'pissenlit', 'trèfle', 'bruyère', 'romarin', 'thym',
+    'sauge', 'bourrache', 'bleuet', 'primevère', 'camomille'
+]
+NUM_FLOWERS = len(FLOWER_NAMES) # 20
+NUM_DANCE_REPORTS = 10          # 0 à 9
+INPUT_SIZE = NUM_FLOWERS + 2    # 22 (20 fleurs + 2 positions)
+
+# --- Rapports de Danse (Pour décoder la sortie 0-9) ---
+RAPPORT_DESCRIPTIONS = [
+    "0: La fleur n'est pas butinable, c'est hautement probable qu'elle soit vide de nectar.",
+    "1: La fleur n'est pas butinable, c'est très probable qu'elle soit vide de nectar, ou qu'elle en est pas assez.",
+    "2: La fleur n'est pas trop butinable, emplacement peu favorable (risque de toiles d'araignée).",
+    "3: La fleur est butinable, mais dans la moindre mesure (pour une petite ruche).",
+    "4: La fleur est butinable, mais ses ressources sont limitées.",
+    "5: La fleur se situe trop loin de la ruche.",
+    "6: La fleur se situe à un endroit susceptible d'attirer des frelons, c'est trop dangereux.",
+    "7: La fleur est butinable, et possède beaucoup de nectar, mais pas assez pour toute la ruche et les larves.",
+    "8: La fleur est butinable, et se situe dans une prairie remplis de fleurs hautement butinable, mais il y a un danger (grenouilles).",
+    "9: La fleur est parfaitement butinable."
+]
+
+# --- Définition de la classe du modèle ---
+class BeeAI(nn.Module):
+    def __init__(self, input_size, num_classes):
+        super(BeeAI, self).__init__()
+        # L'architecture doit être identique à celle utilisée pour la sauvegarde
+        self.fc1 = nn.Linear(input_size, 128) 
+        self.relu = nn.ReLU() 
+        self.fc2 = nn.Linear(128, 64)
+        self.fc_out = nn.Linear(64, num_classes)
+        
+    def forward(self, x):
+        out = self.fc1(x)
+        out = self.relu(out)
+        out = self.fc2(out)
+        out = self.relu(out)
+        out = self.fc_out(out)
+        return out
+
+# ==============================================================================
+# 2. FONCTIONS UTILITAIRES POUR LE CHARGEMENT ET L'INFÉRENCE
+# ==============================================================================
+
+def load_bee_ai_model(repo_id, filename, input_size, num_classes):
+    """Télécharge les poids et charge le modèle PyTorch."""
+    print(f"🔄 Tentative de téléchargement des poids depuis {repo_id}...")
+    
+    # 1. Télécharge le fichier de poids
+    try:
+        weights_path = hf_hub_download(repo_id=repo_id, filename=filename)
+    except Exception as e:
+        print(f"❌ Erreur de téléchargement : {e}")
+        return None
+        
+    # 2. Crée et charge le modèle
+    model = BeeAI(input_size, num_classes)
+    model.load_state_dict(torch.load(weights_path))
+    model.eval() # Passe en mode évaluation pour l'inférence
+    
+    print("✅ Modèle BeeAI chargé avec succès.")
+    return model
+
+def flower_to_input(flower_name, x_pos, y_pos):
+    """Convertit les entrées utilisateur en tenseur d'entrée (22 dimensions)."""
+    try:
+        idx = FLOWER_NAMES.index(flower_name.lower())
+    except ValueError:
+        print(f"⚠️ Avertissement: Fleur '{flower_name}' inconnue. Utilisation d'un vecteur nul.")
+        idx = -1
+        
+    one_hot = np.zeros(NUM_FLOWERS, dtype=np.float32)
+    if idx != -1:
+        one_hot[idx] = 1.0
+        
+    position = np.array([x_pos, y_pos], dtype=np.float32)
+    input_vector = np.concatenate((one_hot, position))
+    # Ajout d'une dimension pour le batch
+    return torch.tensor(input_vector, dtype=torch.float32).unsqueeze(0) 
+
+def generate_dance_report(model, flower_name, x_pos, y_pos):
+    """Effectue l'inférence et retourne le code de danse décodé."""
+    
+    # Prépare l'entrée
+    X_test = flower_to_input(flower_name, x_pos, y_pos)
+
+    # Inférence
+    with torch.no_grad(): 
+        output = model(X_test)
+        
+    # Décodage (obtient l'indice de la probabilité maximale)
+    _, predicted_index = torch.max(output.data, 1) 
+    report_code = predicted_index.item()
+    
+    return report_code, RAPPORT_DESCRIPTIONS[report_code]
+
+# ==============================================================================
+# 3. EXÉCUTION (L'expérience utilisateur)
+# ==============================================================================
+
+# 1. Charger le modèle
+bee_ai_model = load_bee_ai_model(REPO_ID, FILENAME, INPUT_SIZE, NUM_DANCE_REPORTS)
+
+if bee_ai_model:
+    
+    # 2. Définir la situation à tester
+    test_flower = 'pissenlit' # Une fleur connue et généralement bonne
+    test_x = 4.5
+    test_y = 5.5
+    
+    # 3. Générer le rapport !
+    code, description = generate_dance_report(bee_ai_model, test_flower, test_x, test_y)
+
+    # 4. Afficher le résultat
+    print(f"\n==============================================")
+    print(f"      Rapport de Danse de Bena (Bee AI)       ")
+    print(f"==============================================")
+    print(f"Fleur évaluée : {test_flower.upper()} à la position ({test_x}, {test_y})")
+    print(f"CODE GÉNÉRÉ : {code}")
+    print(f"DESCRIPTION : {description.split(':')[1].strip()}")
+    print(f"==============================================")
+```