Update app.py

app.py

@@ -20,6 +20,16 @@ if not HF_TOKEN:
     st.error("Erreur : Clé API Hugging Face (HF_TOKEN) manquante. Veuillez configurer HF_TOKEN dans les variables d'environnement.")
     st.stop()
 
+# Initialisation des modèles dans st.session_state pour éviter le rechargement
+if 'classifier' not in st.session_state:
+    st.session_state.classifier = pipeline("sentiment-analysis", model="mrm8488/distilroberta-finetuned-financial-news-sentiment-analysis", device="cpu")
+
+if 'translator_to_en' not in st.session_state:
+    st.session_state.translator_to_en = pipeline("translation", model="Helsinki-NLP/opus-mt-mul-en", device="cpu")
+
+if 'translator_to_fr' not in st.session_state:
+    st.session_state.translator_to_fr = pipeline("translation", model="Helsinki-NLP/opus-mt-en-fr", device="cpu")
+
 # Fonction pour appeler l'API Zephyr avec des paramètres ajustés
 async def call_zephyr_api(prompt, mode, hf_token=HF_TOKEN):
     client = InferenceClient("HuggingFaceH4/zephyr-7b-beta", token=hf_token)
@@ -39,20 +49,13 @@ async def call_zephyr_api(prompt, mode, hf_token=HF_TOKEN):
         st.error(f"❌ Erreur d'appel API Hugging Face : {str(e)}")
         return None
 
-# Chargement du modèle de sentiment (forcé sur CPU)
-classifier = pipeline("sentiment-analysis", model="mrm8488/distilroberta-finetuned-financial-news-sentiment-analysis", device="cpu")
-
-# Modèles de traduction
-translator_to_en = pipeline("translation", model="Helsinki-NLP/opus-mt-mul-en")
-translator_to_fr = pipeline("translation", model="Helsinki-NLP/opus-mt-en-fr")
-
 # Traduction en français avec Helsinki-NLP
 def safe_translate_to_fr(text, max_length=512):
     try:
         sentences = sent_tokenize(text)
         translated_sentences = []
         for sentence in sentences:
-            translated = translator_to_fr(sentence, max_length=max_length)[0]['translation_text']
+            translated = st.session_state.translator_to_fr(sentence, max_length=max_length)[0]['translation_text']
             translated_sentences.append(translated)
         return " ".join(translated_sentences)
     except Exception as e:
@@ -88,7 +91,7 @@ def create_sentiment_gauge(sentiment, score):
     """
     return html
 
-# Fonction d'analyse (avec exécution synchrone pour le classifieur)
+# Fonction d'analyse
 async def full_analysis(text, mode, detail_mode, history):
     if not text:
         st.warning("Entrez une phrase.")
@@ -107,13 +110,13 @@ async def full_analysis(text, mode, detail_mode, history):
     progress_bar.progress(25)
 
     if lang != "en":
-        text_en = translator_to_en(text, max_length=512)[0]['translation_text']
+        text_en = st.session_state.translator_to_en(text, max_length=512)[0]['translation_text']
     else:
         text_en = text
 
-    # Étape 2 : Analyse du sentiment (exécution synchrone)
+    # Étape 2 : Analyse du sentiment
     status_text.write("Analyse en cours... (Étape 2 : Analyse du sentiment)")
-    result = classifier(text_en)  # Exécution synchrone
+    result = st.session_state.classifier(text_en)  # Utilisation du modèle depuis st.session_state
     result = result[0]
     sentiment_output = f"Sentiment prédictif : {result['label']} (Score: {result['score']:.2f})"
     sentiment_gauge = create_sentiment_gauge(result['label'], result['score'])