File size: 12,438 Bytes
42d4eef
 
 
 
 
 
 
 
f2f8a97
 
42d4eef
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
import streamlit as st
import requests
import time
from streamlit_option_menu import option_menu
import streamlit.components.v1 as components
import os


TOKEN_API = os.environ.get("IATOKEN")
#TOKEN_API = "Bearer xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

#changement du logo et du titre de mon application en anglais
st.set_page_config(page_title="NLP Outro", page_icon=":brain:", layout="centered", menu_items=None)



# Créer trois colonnes de largeur égale
col1, col2, col3 = st.columns(3)

# Laisser la première et la troisième colonne vides
with col1:
  st.write("")

# Afficher le logo dans la deuxième colonne
with col2:
  st.sidebar.image("img/logo2.png", use_column_width=None)

with col3:
    st.write("")
with st.sidebar:
    selected = option_menu(
        menu_title="Application NLP",  # required
        options=["Accueil", "Chatbot", "Traduction", "Résumer"],  # required
        icons=["house", "chat-dots", "translate","journal-text"],  # optional
        menu_icon="cast",  # optional
        default_index=0  # optional
        
    )

if selected == "Accueil":
    st.title(f"{selected}")

    # Display home page with app description and logo
    st.header('Bienvenue sur mon application de nlp  qui présente trois principales fonctionalités : le chatbot, la traduction et le résumé de texte.')
    st.image('img/image4.jpg', )
    #st.title('Bienvenue sur l\'application de classification d\'images de radiographies pulmonaires')
    #st.markdown("<h1 style='text-align: center;'>Bienvenue sur l'application de classification d'images de radiographies pulmonaires</h1>", unsafe_allow_html=True)
    #st.markdown("<h5 style='text-align: justify;'><b>La traduction</b> permet de convertir du texte entre six langues : l’anglais, l’espagnole, le français, le chinois et l’itqlien et le russe. Elle utilise les modèles de Helsinki-NLP, qui sont des modèles de traduction automatique neuronale basés sur le Transformer. Ces modèles sont rapides, précis et capables de gérer des langues morphologiquement riches.</h5>", unsafe_allow_html=True)
   # st.markdown("<h5 style='text-align: justify;'><b>Le résumé</b> permet de condenser un texte long en un texte court qui en conserve les informations essentielles. Il utilise le modèle facebook/bart-large-cnn , qui est une variante du modèle T56 adaptée et affinée pour la tâche de résumé de texte. Ce modèle est entraîné sur un ensemble diversifié de documents et de résumés humains, ce qui lui permet de générer des résumés concis et cohérents.</h5>", unsafe_allow_html=True)
   # st.markdown("<h5 style='text-align: justify;'><b>Le chatbot</b> permet de dialoguer avec l’application en utilisant un langage naturel. Il utilise le modèle /tiiuae/falcon-7b-instruct, qui est un modèle de génération de texte causal basé sur Falcon-7B et affiné sur un mélange de données de chat et d’instruction. Ce modèle est capable de répondre à des requêtes variées, de suivre des instructions et de créer du contenu imaginatif.</h5>", unsafe_allow_html=True)
    st.markdown("<h5 style='text-align: justify;'>Mon application utilise l’Inference API de Hugging Face pour accéder aux modèles et les exécuter via des requêtes HTTP simples. L’Inference API est un service gratuit et rapide qui permet de tester et d’évaluer plus de 150 000 modèles de machine learning accessibles au public, ou vos propres modèles privés, sur l’infrastructure partagée de Hugging Face.</h5>", unsafe_allow_html=True)
    st.markdown("<h5 style='text-align: justify;'>Mon application est donc un outil puissant et innovant qui exploite les dernières avancées de l’intelligence artificielle pour offrir des services de traduction, de résumé et de chatbot de haute qualité.</h5>", unsafe_allow_html=True)


    # components.html(
    # """
    #    <div style="position: fixed; bottom: 0; left: 0; right: 0; text-align: center; font-size: 15px; color: gray;">
    #     Tous droits réservés © Janvier 2024
    #     </div>
    #     """,
    #     height=50 
    # )

if selected == "Traduction":
    # CODE TRANSLATE
    st.title(f"{selected}")
    st.image('img/image1.jpg',)
    st.markdown("veillez saisir vos **textes pour la traduction en selectionant une langue.** ")

    headers = {"Authorization": TOKEN_API}

    # Choose the translation language from Hugging Face
    translation_languages = {
        "French to English": "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-fr-en",
        "English to French": "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-en-fr",
        "French to Spanish": "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-fr-es",
        "Spanish to French": "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-es-fr",
        "French to Italian": "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-fr-it",
        "Italian to French": "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-it-fr",
        "French to Russian": "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-fr-ru",
        "Russian to French": "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-ru-fr",
        "English to Chinese": "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-en-zh",
        "Chinese to English": "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-zh-en",
        # Add more language pairs as needed
    }

    selected_translation = st.selectbox("", list(translation_languages.keys()))


    # Load the translation pipeline
    API_TRANSLATE=translation_languages[selected_translation]

    # User input for translation
    col4, col5 = st.columns(2)
    translate_input = col4.text_area("", height=200, placeholder='Entrer le texte à traduire:')
    #translate_input = st.text_area("Entrer le texte à traduire:", "")

    # Display loading indicator
    col6, col7 = st.columns(2)
    if col6.button("Traduire"):
        with st.spinner("traduction..."):
            # Simulate translation delay for demonstration
            time.sleep(2)
            if translate_input:
                # Perform translation
                def main_translate(payload):
                    response = requests.post(API_TRANSLATE, headers=headers, json=payload)
                    return response.json()
                    
                output_translate = main_translate({
                    "inputs": translate_input
                })
                
                if not output_translate[0]["translation_text"]:
                    error_message = output_translate[0]["error"]
                    st.error(f"Le texte n'a pas pu être traduit: {error_message}")
                else:
                    translated_text = output_translate[0]["translation_text"]
                    col5.markdown('''<br/> <p style='text-align:left;font-size:16px;'>'''+ translated_text +'''</p>''',  unsafe_allow_html=True)
                    #st.success(f"Le texte tratuit: {translated_text}")
                
                #st.write("**TRADUCTION** is : {}".format(output[0]["translation_text"]))

                
            else:
                st.warning("Veuillez saisir le texte à traduire.")


    # Clear button to reset input and result
    if col7.button("Nettoyer"):
        translate_input = ""
        col5.success("Le champ est nettoyé.")
        st.empty()  # Clear previous results if any

    #END FOR TRANSLATE CODE
if selected == "Résumer":
    #CODE SUMMARIZE
    st.title(f"{selected}")
    st.image('img/image3.jpg',)

    st.markdown("ici vous faites le **Résumer** de vos **texte**.")

    headers = {"Authorization": TOKEN_API}

    # Load the 
    API_SUMMARY = "https://api-inference.huggingface.co/models/facebook/bart-large-cnn"

    # User input for translation
    summary_input = st.text_area("Entrer le texte à Résumer:", "")
    if st.button("Résumer"):
        with st.spinner("Résume..."):
            # Simulate translation delay for demonstration
            time.sleep(2)
            if summary_input:
                def main1(payload):
                    response = requests.post(API_SUMMARY, headers=headers, json=payload)
                    return response.json()
                            
                output_summary = main1({"inputs": summary_input})
                summary_text = output_summary[0]["summary_text"]
                st.success(f"Résumé: {summary_text}")
            else:
                st.warning("Veuillez saisir le texte à résumer.")
    # Clear button to reset input and result
    if st.button("Nettoyer"):
        summary_input = ""
        st.success("Le champ est nettoyé.")
        st.empty()  # Clear previous results if any


    #END CODE SUMMARIZE
if selected == "Chatbot":
    # CODE TRANSLATE
    st.title(f"{selected}")
    st.image('img/image3.jpg', caption='Veillez chatter ici en me posant vos questions')
    #st.markdown("Cette partie vous offre la possibilité de me poser vos **questions**.")

    headers = {"Authorization": TOKEN_API}

    # Choose the translation language from Hugging Face
    translation_models = {
        "English": "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-en-fr",
        "French": "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-fr-en",
    }
    selected_translation = st.selectbox("Sélectionner une langue", list(translation_models.keys()))
    # Load the 
    API_URL = "https://api-inference.huggingface.co/models/tiiuae/falcon-7b-instruct"

    # User input for translation
    user_input = st.text_area("veillez saisir une question :", "")

    if (selected_translation=="French"):
        API_URL_1 = "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-fr-en"
        API_URL_2 = "https://api-inference.huggingface.co/models/Helsinki-NLP/opus-mt-en-fr"
        # Display loading indicator
        if st.button("Recherche"):
            with st.spinner("Rechercher..."):
                # Simulate translation delay for demonstration
                time.sleep(2)
                if user_input:
                    def main(payload):
                        response = requests.post(API_URL_1, headers=headers, json=payload)
                        return response.json()
                        
                    output = main({"inputs": user_input})
                    text2 = output[0]["translation_text"]

                    if text2:
                        def main1(payload):
                            response = requests.post(API_URL, headers=headers, json=payload)
                            return response.json()
                            
                        output = main1({"inputs": text2})
                        text3 = output[0]["generated_text"]

                        if text3:
                            def main(payload):
                                response = requests.post(API_URL_2, headers=headers, json=payload)
                                return response.json()
                                
                            output = main({"inputs": text3})
                            generated_text = output[0]["translation_text"]
                    st.success(f"Réponse: {generated_text}")
                else:
                    st.warning("Veuillez saisir une question.")

    else :
        # Display loading indicator
        if st.button("Research"):
            with st.spinner("Researching..."):
                # Simulate translation delay for demonstration
                time.sleep(2)
                if user_input:
                    # Perform translation
                    def main(payload):
                        response = requests.post(API_URL, headers=headers, json=payload)
                        return response.json()
                        
                    output = main({
                        "inputs": user_input
                    })
                    generated_text = output[0]["generated_text"]
                    st.success(f"Response: {generated_text}")
                else:
                    st.warning("Please enter a question.")

    # Clear button to reset input and result
    if st.button("Nettoyer"):
        user_input = ""
        st.success("Le champ est nettoyé.")
        st.empty()  # Clear previous results if any

    # END CODE TRANSLATE