app.py

import streamlit as st
import librosa
import numpy as np
import pickle
import IPython.display as ipd
from sklearn.preprocessing import LabelEncoder
from tensorflow.keras.models import load_model


# le = LabelEncoder()

model = load_model('model/audio_prediction_model')


def prediction_audio(audiofile, model):

    audio_data, sample_rate = librosa.load(audiofile, res_type='kaiser_fast')
    mel_frequency = np.mean(librosa.feature.melspectrogram(y = audio_data, sr = sample_rate).T, axis=0) # (128,)

    X = mel_frequency.reshape(1, -1) # (1, 128)

    predicted_label = np.argmax(model.predict(X), axis=-1)
    # predicted_class = le.inverse_transform(predicted_label)

    return predicted_label[0]

st.title("Détection de coups de feu")

# Formulaire pour charger le fichier audio
audio_file = st.file_uploader("Sélectionnez un fichier audio", type=["wav", "mp3"])

if audio_file is not None:
    # Affichez le fichier audio
    st.audio(audio_file, format='audio/wav')

    # Bouton pour déclencher la prédiction
    if st.button("Prédire"):
        # Effectuez la prédiction
        prediction = prediction_audio(audio_file, model)
        
        # Affichez le résultat de la prédiction
        st.write("Résultat de la prédiction:", prediction)