Update app.py

app.py

@@ -30,47 +30,88 @@ def predict(image):
         probabilities = torch.nn.functional.softmax(logits, dim=-1)[0]
         top_probs, top_indices = torch.topk(probabilities, 5)  # Top 5 predictions
         
-        # Formatage des résultats
-        predictions = []
-        for i, (prob, idx) in enumerate(zip(top_probs, top_indices)):
+        # Formatage des résultats sous forme de dictionnaire pour l'affichage
+        results = {}
+        for prob, idx in zip(top_probs, top_indices):
             pred_label = model.config.id2label[idx.item()]
             confidence = prob.item()
-            if confidence > 0.1:  # Seuil de confiance à 10%
-                predictions.append(f"{pred_label}: {confidence:.2%}")
+            if confidence > 0.01:  # Seuil de confiance à 1%
+                results[pred_label] = confidence
         
-        if not predictions:
-            return "Je ne suis pas sûr de reconnaître cet item. Essayez avec une image plus claire."
+        if not results:
+            return {"Aucune prédiction fiable": 0.0}, "Je ne suis pas sûr de reconnaître cet item. Essayez avec une image plus claire."
         
-        return "\n".join(predictions)
+        # Créer un message de résultat
+        top_prediction = list(results.items())[0]
+        message = f"🏷️ Prédiction principale: {top_prediction[0]} ({top_prediction[1]:.2%})"
+        
+        return results, message
         
     except Exception as e:
-        return f"Une erreur s'est produite lors du traitement: {str(e)}"
-
-# Configuration de l'interface Gradio
-title = "Fashion Item Classifier"
-description = (
-    "Upload an image of a clothing item, and I will classify it. "
-    "This is a general-purpose model (ImageNet). For better accuracy on fashion items, "
-    "a specialized model is needed."
-)
+        return {"Erreur": 0.0}, f"Une erreur s'est produite: {str(e)}"
 
-# Création de l'interface
-demo = gr.Interface(
-    fn=predict,
-    inputs=gr.Image(type="pil", label="Upload Clothing Item"),
-    outputs=gr.Textbox(label="Classification Results"),
-    title=title,
-    description=description,
-    allow_flagging="never",
-    examples=[
-        ["https://images.unsplash.com/photo-1552374196-c4e7ffc6e126?w=400"],
-        ["https://images.unsplash.com/photo-1543163521-1bf539c55dd2?w=400"]
-    ]
-)
+# Interface Gradio améliorée
+with gr.Blocks(title="Fashion Classifier", theme=gr.themes.Soft()) as demo:
+    gr.Markdown("# 👗 Fashion Item Classifier")
+    gr.Markdown("Téléchargez une image de vêtement pour le classer automatiquement")
+    
+    with gr.Row():
+        with gr.Column(scale=1):
+            image_input = gr.Image(
+                type="pil", 
+                label="Image du vêtement",
+                height=300,
+                sources=["upload", "webcam", "clipboard"]
+            )
+            upload_btn = gr.Button("🚀 Analyser l'image", variant="primary")
+        
+        with gr.Column(scale=1):
+            label_output = gr.Label(
+                label="Résultats de classification",
+                num_top_classes=5,
+                height=300
+            )
+            text_output = gr.Textbox(
+                label="Conclusion",
+                interactive=False
+            )
+    
+    # Exemples
+    gr.Examples(
+        examples=[
+            ["https://images.unsplash.com/photo-1552374196-c4e7ffc6e126?w=300"],  # T-shirt
+            ["https://images.unsplash.com/photo-1543163521-1bf539c55dd2?w=300"],  # Chaussures
+            ["https://images.unsplash.com/photo-1594633312681-425c7b97ccd1?w=300"]   # Robe
+        ],
+        inputs=image_input,
+        label="Exemples d'images à tester"
+    )
+    
+    # Instructions
+    gr.Markdown("""
+    ### 📋 Instructions
+    - Téléchargez une image claire d'un vêtement
+    - L'image doit montrer le vêtement de face
+    - Fond uni recommandé pour de meilleurs résultats
+    - Cliquez sur 'Analyser l'image' pour obtenir la classification
+    """)
+    
+    # Liaison du bouton
+    upload_btn.click(
+        fn=predict,
+        inputs=image_input,
+        outputs=[label_output, text_output]
+    )
+    
+    # Liaison aussi quand on upload une image
+    image_input.upload(
+        fn=predict,
+        inputs=image_input,
+        outputs=[label_output, text_output]
+    )
 
-# Lancement de l'application - CONFIGURATION SPÉCIFIQUE POUR HUGGING FACE SPACES
+# Lancement de l'application
 if __name__ == "__main__":
-    # Cette configuration est cruciale pour Hugging Face Spaces
     demo.launch(
         debug=True,
         server_name="0.0.0.0",