import tensorflow as tf
import numpy as np
import gradio as gr
from PIL import Image

# Fonction convertissant l'image à la dimension exacte utilisée sur le training
from PIL import Image

def imageToArray(image_path):

  width, height = 32, 32  #Remplacer par les dimensions requises par notre modèle

  image = Image.open(image_path)
  image = image.resize((width, height))
  # Convertir l'image en numpy array et normaliser les valeurs des pixels (si nécessaire)
  image_array = np.asarray(image)
  image_array = image_array / 255.0  # Normaliser les valeurs des pixels entre 0 et 1

  # Redimensionner la matrice image pour qu'elle correspond à la forme d'entrée de notre modèle
  image_array = image_array.reshape(1, width, height, 3)

  return image_array
# 1. Charger le modèle entraîné (.h5)
model = tf.keras.models.load_model("CNN_model.h5")  # change le nom si besoin

# 2. Définir les classes CIFAR-10
classes = [
    "airplane", "automobile", "bird", "cat", "deer",
    "dog", "frog", "horse", "ship", "truck"
]

# 3. Fonction de prétraitement + prédiction
def predict(image):
    image = image.resize((32, 32))         # Redimensionner à 32x32
    image_array = np.array(image) / 255.0  # Normaliser
    image_array = image_array.reshape(1, 32, 32, 3)  # Ajouter batch dimension
    predictions = model.predict(image_array)[0]
    result = {classes[i]: float(predictions[i]) for i in range(10)}
    return result

# 4. Interface Gradio
gr.Interface(
    fn=predict,
    inputs=gr.Image(type="pil"),
    outputs=gr.Label(num_top_classes=3),
    title="Classificateur CIFAR-10",
    theme='NoCrypt/miku',
    description="Téléverse une image pour prédire sa classe parmi les 10 catégories CIFAR-10."
).launch()