Upload 5 files

app.py

@@ -0,0 +1,225 @@
+import streamlit as st
+import pandas as pd
+from urllib.request import urlopen
+from sklearn.preprocessing import StandardScaler
+from sklearn.metrics.pairwise import cosine_similarity
+from sklearn.metrics.pairwise import euclidean_distances
+import plotly.express as px
+import plotly.graph_objects as go
+from streamlit_option_menu import option_menu
+import json
+import requests
+from streamlit_lottie import st_lottie
+import pydeck as pdk
+import snowflake.connector
+import numpy as np
+from keras.preprocessing import image
+from keras.models import load_model
+import streamlit as st
+import tensorflow as tf
+import numpy as np
+
+# Layout
+st.set_page_config(
+    page_title="PulmoCare",
+    layout="wide",
+    initial_sidebar_state="expanded")
+
+# Data Pull and Functions
+st.markdown("""
+<style>
+.big-font {
+    font-size:80px !important;
+}
+</style>
+""", unsafe_allow_html=True)
+
+
+@st.cache_data
+def load_lottiefile(filepath: str):
+    with open(filepath, "r") as f:
+        return json.load(f)
+
+
+@st.cache_data
+def pull_clean():
+    master_zip = pd.read_csv('MASTER_ZIP.csv', dtype={'ZCTA5': str})
+    master_city = pd.read_csv('MASTER_CITY.csv', dtype={'ZCTA5': str})
+    return master_zip, master_city
+
+
+def clear_image():
+    st.session_state.image = None
+
+
+def resize_image(img, img_size):
+    return img.resize(img_size)
+
+
+@st.cache_data
+def classifier_image(image_path):
+    # Redimensionner l'image
+    img = resize_image(image_path, (224, 224))
+
+    # Convertir l'image en tableau numpy
+    img_array = image.img_to_array(img)
+    # Ajouter une dimension pour représenter le batch (1 image)
+    img_array = np.expand_dims(img_array, axis=0)
+    # Normaliser l'image
+    img_array = img_array / 255.0
+
+    # Charger le modèle depuis le fichier .h5
+    model = load_model("keras_model.h5")
+
+    # Effectuer la prédiction
+    predictions = model.predict(img_array)
+
+    # Interpréter la prédiction
+    class_labels = [ 'Taro', 'koki', 'Couscous_gombo' ,'Ero', 'Ndole', 'Nkui', 'Okok', 'riz','riz_sauté']
+    results = {class_labels[i]: float(predictions[0][i]*100) for i in range(4)}
+    # for i, class_label in enumerate(class_labels):
+    #     results.append((class_label, predictions[0][i] * 100))
+
+    return results
+
+
+# Options Menu
+with st.sidebar:
+    selected = option_menu('Camfood', ["Acceuil", 'Documention', 'A propos'],
+                           icons=['play-btn', "bi-file-earmark-bar-graph-fill", 'info-circle'], menu_icon='intersect', default_index=0)
+
+
+# Intro Page
+if selected == "Acceuil":
+    # Header
+
+    st.markdown(
+        "<h1 style='color:#077485'>Bienvenue sur Camfood</h1>", unsafe_allow_html=True)
+    st.markdown(
+        "<i><h5 style='color:#077485; font-weight:lighter'>Pour l'instant l'application est juste encore en test. Elle a été utilisé juste pour reconnaitre 8 plats du Cameroun  </h5></i>",
+        unsafe_allow_html=True
+    )
+
+    st.divider()
+    # Use Cases
+    with st.container():
+        col1, col2 = st.columns(2)
+        with col1:
+            st.markdown(
+                "<h3 style='color:#077485'>Charger l'image à analyser ici !</h3>", unsafe_allow_html=True)
+            uploaded_file = st.file_uploader(
+                "", type=["jpg", "jpeg", "png"])
+            with st.container():
+                subcol1, subcol2, subcol3, subcol4 = st.columns(4)
+                with subcol1:
+                    sub = st.button("Soumettre")
+                with subcol2:
+                    if st.button("Néttoyer"):
+                        clear_image()
+            if uploaded_file is not None:
+                # Display the uploaded image
+                custom_width = 500  # Modifier cette valeur selon vos besoins
+                st.image(uploaded_file, caption='Uploaded Image', width=500)
+                st.session_state.image = uploaded_file
+        with col2:
+            if sub:
+
+                if 'image' in st.session_state:
+                    img = st.session_state.image
+                    img = image.load_img(uploaded_file)
+                    img = img.copy()
+                    prediction_result = classifier_image(img)
+                    st.markdown(
+                        "<h4 style='color:#077485;margin-left:100px;margin-top:20px'>Resultats de l'analyse</h4>", unsafe_allow_html=True)
+                    for label, percentage in prediction_result.items():
+                        st.write(
+                            f"<span style='font-weight:bold; margin-left:100px'>{label}:</span> <span style='color:#1f77b4'>{percentage:.2f}%</span>", unsafe_allow_html=True)
+                        # st.write(
+                        #     f">  {label} -------------------------------------------------------- {percentage:.2f}%")
+                else:
+                    st.write("S'il vous plait charger une image .")
+
+    with st.container():
+        col1, col2 = st.columns(2)
+        with col1:
+            st.markdown(
+                "<h1 style='color:#077485'>Cas d'utilisation</h1>", unsafe_allow_html=True)
+
+            st.markdown(
+                """
+            
+                -  _**Detection** : reconnaitre quelques plats Camerounais ._
+                                """
+            )
+
+    st.divider()
+
+    # Tutorial Video
+    # st.header('Tutorial Video')
+    # video_file = open('Similo_Tutorial3_compressed.mp4', 'rb')
+    # video_bytes = video_file.read()
+    # st.video(video_bytes)
+
+# Search Page
+if selected == "Documention":
+    st.write("## Fait par Powo kamdem Arnold")
+    st.write("## Utilisation de l'Application CAMFOOD")
+
+    st.write("### 1. Exécution de l'Application")
+    st.write("   Pour utiliser Camfood, assurez-vous d'avoir le script Python contenant l'application Streamlit. Ensuite, exécutez la commande suivante dans votre terminal :")
+    st.code("streamlit run app.py")
+
+    st.write("### 2. Téléchargement de l'Image")
+    st.write("   Lorsque l'application est lancée, vous serez redirigé vers la page d'accueil de PulmoDetect.")
+    st.write(
+        "   - Sur la page d'accueil, vous verrez une section permettant de télécharger une image.")
+    st.write("   - Cliquez sur le bouton 'Parcourir les fichiers' pour sélectionner l'image que vous souhaitez analyser.")
+
+    st.write("### 3. Analyse de l'Image")
+    st.write("   Après avoir téléchargé l'image, vous pouvez cliquer sur le bouton 'Submit' pour lancer l'analyse.")
+    st.write("   - Les résultats de l'analyse seront affichés sur la page, indiquant les pourcentages associés à chaque classe de maladie pulmonaire détectée.")
+
+    st.write("### 4. Nettoyage de l'Image")
+    st.write("   Si vous souhaitez supprimer l'image téléchargée et recommencer, vous pouvez cliquer sur le bouton 'Clear'. Cela effacera l'image chargée et vous pourrez télécharger une nouvelle image.")
+
+    st.write("## Remarque")
+    st.write("Assurez-vous d'avoir le modèle de détection des plats (.h5) dans le même répertoire que le script Python de l'application.")
+
+# About Page
+if selected == 'A propos':
+    st.write("## À PROPOS DU MODÈLE")
+
+    st.write("Ce modèle a été conçu pour la classification d'images de tumeurs cérébrales en utilisant le dataset masoudnickparvar/brain-tumor-mri-dataset de Kaggle.")
+
+    st.write("### PERFORMANCE DU MODÈLE")
+    st.write(
+        "Notre modèle EfficientNetB0 a atteint les performances suivantes lors des tests :")
+    st.write("- Précision: 98%")
+    st.write("- Rappel moyen: 98%")
+    st.write("- Score F1 moyen: 98%")
+    st.write("- Nombre total d'échantillons: 1311")
+    st.write("- Nombre d'erreurs trouvées: 23")
+
+    st.write("### ARCHITECTURE DU MODÈLE")
+    st.write(
+        "L'architecture de notre modèle EfficientNetB0 est configurée comme suit :")
+    st.write("- Paramètres totaux: 4,418,375 (16.85 MB)")
+    st.write("- Paramètres entraînables: 3,688,004 (1.41 MB)")
+    st.write("- Paramètres non-entraînables: 4,045,971 (15.45 MB)")
+    st.write("Le modèle comprend des couches convolutives personnalisées en plus des couches de pooling et une couche dense finale pour la classification en 4 classes.")
+
+    st.write("### DATASET UTILISÉ")
+    st.write("Les ensembles de données utilisés pour l'entraînement et la validation sont les suivants :")
+    st.write("- Fichiers d'entraînement: 5712 fichiers, répartis en 4 classes.")
+    st.write("- Fichiers de validation: 1311 fichiers, répartis en 4 classes.")
+    st.write("Note: Les données ont été préparées et réparties pour assurer une répartition équilibrée, ce qui est crucial pour l'entraînement d'un modèle de classification robuste.")
+    st.divider()
+    with st.container():
+        col1, col2 = st.columns(2)
+        with col1:
+            st.image("loss.png", caption="Courbe de Loss",
+                     use_column_width=True)
+
+        with col2:
+            st.image("accuracy.png", caption="Courbe d'Accuracy",
+                     use_column_width=True)

keras_model.h5

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:bc0ac8dcaacfde766ec0e907f4c95b66812387706eb4804d139deabafdb452db
+size 2458208

requirements.txt

@@ -0,0 +1,13 @@
+keras==2.15.0
+numpy==1.26.4
+pandas==2.2.1
+plotly==5.19.0
+pydeck==0.8.1b0
+Requests==2.31.0
+scikit_learn==1.3.2
+snowflake_connector_python==3.7.1
+snowflake_snowpark_python==1.12.1
+streamlit==1.30.0
+streamlit_lottie==0.0.5
+streamlit_option_menu==0.3.12
+tensorflow==2.15.0