Create app.py

app.py

@@ -0,0 +1,127 @@
+#Importation des librairies pour notre application:
+import numpy as np 
+import pandas as pd
+import matplotlib.pyplot as plt
+import streamlit as st
+from streamlit_option_menu import option_menu
+import streamlit.components.v1 as html 
+import tensorflow as tf 
+from tensorflow.keras.utils import load_img, img_to_array
+from tensorflow.keras.preprocessing import image
+from PIL import Image, ImageOps 
+
+#changement du logo et du titre de mon application en anglais
+st.set_page_config(page_title="PMP", page_icon="ocean", layout="centered", menu_items=None)
+
+col1, col2, col3 = st.columns(3)
+xx = col1
+ar = col2.image("medias/keyce.jpg", width=80)
+yy = col3
+#title
+st.title("CLASSIFICATION DES MALADIES PULMONAIRES")
+
+def main():
+    with st.sidebar:
+        choose = option_menu("Menu", ["Acceuil", "Prédiction"], icons=['house', 'bar-chart'], menu_icon="list", default_index=0,
+                                    styles={
+                                    "container": {"padding": "5!important", "background-color": "#fff"},
+                                    "icon": {"color": "#333", "font-size": "20px"}, 
+                                    "nav-link": {"font-size": "16px", "text-align": "left", "margin":"0px", "--hover-color": "#f9d1ac"},
+                                    "nav-link-selected": {"background-color": "#FF9633", "color": "#333"},
+                                    }
+                            )
+        st.markdown('''<br/><br/><br/><br/><br/><br/><br/><br/><br/><br/><br/><br/><br/><br/><br/><br/><br/><br/>
+        <h6 style='text-align:center;color:grey;font-size:11px;'> © 2023 - KEYCE - Tout droits reservés </h6>''',  unsafe_allow_html=True)
+
+    if choose == "Acceuil":
+        st.markdown("<hr/>", unsafe_allow_html=True)
+        st.subheader("Bienvenue")
+        st.caption(" ")
+        #Insertion d'une image 
+        st.image("medias/fondacc.png", width=None)  
+        #inserer une case à cocher pour savoir ce que nous faisons
+        state = st.checkbox("Que faisons-nous exactement dans cette application ?", value=False)
+        if state:
+            st.write("Bonjour à tout le monde! concernant notre application elle permet, à partir d'un model.h5 que nous avons généré, de prédire à partir des images radio que vous saisirez si un patient est affecté soit par le COVID19, NORMAL, PNEUMONIE, TURBERCULOSE. et cette application vous donne également la possibilité de télécharger la prédiction du patient dans un fichier Excel.")
+        else:
+            pass 
+
+
+    elif choose=='Prédiction':
+        st.markdown("<hr/>", unsafe_allow_html=True)
+        menu1, menu2 = st.tabs(["📈 Évaluation du modèle", ":staff_of_aesculapius: Prédiction"])
+
+        with menu1:
+            st.subheader("Évaluer notre modèle")
+            #Inserer des images
+            st.image("medias/tvl.PNG", width=700)
+
+        with menu2:
+            #Exemple de formulaire:
+            st.subheader("Diagnostic et enregistrement du patient")
+            f_name = st.text_input("Nom:", max_chars=50)
+            l_name = st.text_input("Prénom:", max_chars=50)
+            datnaiss = st.date_input("Date de naissance:")
+            sexe = st.radio("Sexe:", options=("Masculin", "Féminin"))
+            #Charger l'image pour la prédiction
+            upload_file = st.file_uploader("Charger le fichier image:",  type=['JPG', 'JPEG', 'PNG'])
+
+            if f_name and l_name and datnaiss and upload_file:
+                #Chargons le model.h5
+                model = tf.keras.models.load_model("model.h5")
+
+                predict_classes = {'COVID19':0, 'NORMAL':1, 'PNEUMONIA':2, 'TUBERCULOSIS':3}
+
+                if upload_file:
+                    st.image(upload_file, use_column_width=True)
+                    tets_image = image.load_img(upload_file, target_size=(64, 64))
+                    image_array = img_to_array(tets_image)
+                    image_array = np.expand_dims(image_array, axis=0)
+
+                    #Boutton pour effectuer la prédiction
+                    btn_prediction = st.button("faire le diagnostic")
+
+                    if btn_prediction:
+                        predictions = model.predict(image_array)
+                        classes = np.argmax(predictions[0])
+
+                        for cle, valeur in predict_classes.items():
+                            if valeur == classes:
+                                # Resultat de la prédiction
+                                st.markdown("<hr/>", unsafe_allow_html=True)
+                                col1, col2, col3 = st.columns(3)
+                                aa = col1
+                                ag = col2.markdown('''<h6 style='text-align:center;'> État diagnostique de M/Mme '''  f'{f_name}' '''</h6>''', unsafe_allow_html=True)
+                                ss = col3
+
+                                #Affichage de la prediction
+                                col1, col2, col3 = st.columns(3)
+                                xx = col1
+                                ar = col2.markdown(''' <h2 style='text-align:center; color:#FF9633;'> ''' f'{cle}' ''' </h2> ''', unsafe_allow_html=True)
+                                yy = col3
+
+                                if cle == "NORMAL":
+                                    st.info(":green[Bien, il est en bonne santé]")
+                                else:
+                                    st.info(":red[Désolé, il est malade]")
+
+                                #Téléchargeons le diagnostic de la prédiction dans un fichier excel:
+                                 # Créer un DataFrame avec les nouvelles données d'entrée
+                                donnee_sortie = pd.DataFrame({
+                                                'Nom':str(f_name),
+                                                'Prenom':str(l_name),
+                                                'Date de naissance':str(datnaiss),
+                                                'Sexe':str(sexe),
+                                                #'Image du scanner':image(upload_file),
+                                                'Resultat du diqgnostic':str(cle),
+                                }, index=[0])
+                                #telechargement de la prediction:
+                                col1, col2, col3 = st.columns(3)
+                                xx = col1
+                                ar = col2.download_button(label="Téléchargez le diagnostic sous forme de fichier .csv", data=donnee_sortie.to_csv(), file_name="Resultat_Diagnostic_"f'{f_name}'".csv", mime="text/csv")
+                                yy = col3
+            else:
+                st.info("Merci de renseigner tous les champs avant de valider le diagnostic et son enregistrement")
+
+if __name__=='__main__':
+    main()