Create app.py

app.py

@@ -0,0 +1,52 @@
+import streamlit as st
+import cv2
+import numpy as np
+import tensorflow as tf
+from tensorflow.keras.models import load_model
+from tensorflow.keras.preprocessing.image import img_to_array
+from PIL import Image
+
+# Charger le modèle pré-entraîné
+model = load_model('plant_disease.h5')
+
+# Classes de labels (remplacez par vos propres classes)
+class_labels = ['Piment: Bacterial_spot', 'Piment: healthy', 'Pomme de terre: Early_blight', 'Pomme de terre: Late_blight', 'Pomme de terre: Healthy', 'Tomate: Bacterial Spot', 'Tomate: Early Blight', 'Tomate: Late Blight', 'Tomate: Leaf mold', 'Tomate: Septoria leaf spot', 'Tomate: Siper mites', 'Tomate: Spot', "Tomate: Yellow Leaf Curl", 'Tomate: Virus Mosaïque', 'Tomate: Healthy']
+
+
+def preprocess_image(image, image_size=(224, 224)):
+    # Convertir l'image en niveaux de gris
+    image = np.array(image.convert('L'))
+    # Redimensionner l'image
+    image = cv2.resize(image, image_size)
+ 
+    # Redimensionner pour le modèle
+    image = img_to_array(image)
+    image = np.expand_dims(image, axis=0)
+    return image
+
+st.title("Classification des Maladies des Plantes")
+st.write("Téléchargez une image de plante pour la classification")
+
+uploaded_file = st.file_uploader("Choisissez une image...", type=["jpg", "jpeg", "png"])
+
+if uploaded_file is not None:
+    # Afficher l'image téléchargée
+    image = Image.open(uploaded_file)
+    st.image(image, caption='Image téléchargée', use_column_width=True)
+    
+    st.write("Classification en cours...")
+    
+    # Prétraiter l'image
+    processed_image = preprocess_image(image)
+    
+    # Faire la prédiction
+    predictions = model.predict(processed_image)
+    probabilities = predictions[0]
+    
+    # Afficher les probabilités de chaque classe
+    for i, label in enumerate(class_labels):
+        st.write(f"{label}: {probabilities[i]:.2f}")
+
+    # Afficher le résultat de la classe prédite
+    predicted_class = class_labels[np.argmax(probabilities)]
+    st.write(f"Classe prédite: {predicted_class}")