app.py

import streamlit as st
import torch
from torchvision import transforms, models
from PIL import Image
from datasets import load_dataset
import os

# Vérification du GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# Charger le modèle MobileNetV2
model = models.mobilenet_v2(weights=models.MobileNet_V2_Weights.DEFAULT)
model.classifier = torch.nn.Sequential(
    torch.nn.Dropout(0.2),
    torch.nn.Linear(1280, 113)  # 113 classes pour Fruits-360
)

# Charger le modèle avec un chemin correct
model_path = "model_fruits360.pth"
model.load_state_dict(torch.load(model_path, map_location=device), strict=False)
model.to(device)
model.eval()

# Charger le dataset Fruits-360 pour les labels
dataset = load_dataset("PedroSampaio/fruits-360")
labels = dataset['train'].features['label'].names

# Transformations pour MobileNetV2
transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

# Fonction pour prétraiter l'image
def preprocess_image(image):
    image = transform(image).unsqueeze(0).to(device)
    return image

# Interface Streamlit
st.title("🍎🍌🍊 Prédiction des Fruits avec IA")

# Étape 1 : Upload d'image
uploaded_file = st.file_uploader("📤 **Choisissez une image**", type=["jpg", "png", "jpeg"])

# Vérification si une image est bien importée
if uploaded_file is not None:
    image = Image.open(uploaded_file).convert("RGB")

    # Étape 2 : Affichage de l’image sélectionnée
    st.image(image, caption="🖼️ **Image sélectionnée**", use_container_width=True)

    # Étape 3 : Bouton de validation
    if st.button("✅ Valider l'image"):
        # Étape 4 : Traitement et Prédiction
        image_tensor = preprocess_image(image)
        with torch.no_grad():
            outputs = model(image_tensor)
            _, predicted_class = torch.max(outputs, 1)

        fruit_name = labels[int(predicted_class.item())]

        # Étape 5 : Affichage du résultat
        st.success(f"🎯 **Classe prédite : {fruit_name}**")