Create userData.py

userData.py

@@ -0,0 +1,42 @@
+import numpy as np
+import pandas as pd
+from tensorflow.keras.models import load_model
+from sklearn.preprocessing import LabelEncoder
+from tensorflow.keras.utils import to_categorical
+
+# === Liste fixe des classes utilisées pendant l'entraînement ===
+LABELS = ['get_down', 'get_up', 'lying', 'no_person', 'sitting', 'standing', 'walking']
+label_encoder = LabelEncoder()
+label_encoder.fit(LABELS)
+
+def load_and_predict(csv_path: str, model_path: str):
+    """
+    Charge un fichier CSV contenant un seul échantillon et effectue une prédiction avec un modèle CNN.
+    Args:
+        csv_path (str): Chemin vers le fichier CSV avec une ligne (features + label)
+        model_path (str): Chemin vers le fichier .h5 du modèle CNN
+    Returns:
+        tuple: (true_label: str, predicted_label: str, y_pred_probs: np.ndarray)
+    """
+    # === Charger le fichier utilisateur ===
+    df = pd.read_csv(csv_path)
+    X = df.drop(columns=['label']).values
+    y = df['label'].values
+    true_label = y[0]
+
+    # === Encodage label réel ===
+    true_label_encoded = label_encoder.transform([true_label])[0]
+    y_encoded = to_categorical([true_label_encoded], num_classes=len(LABELS))
+
+    # === Reshape pour Conv1D ===
+    X = X.reshape((1, X.shape[1], 1))
+
+    # === Charger le modèle ===
+    model = load_model(model_path)
+
+    # === Prédiction ===
+    y_pred_probs = model.predict(X)
+    y_pred_encoded = np.argmax(y_pred_probs, axis=1)[0]
+    y_pred_label = label_encoder.inverse_transform([y_pred_encoded])[0]
+
+    return true_label, y_pred_label, y_pred_probs[0] ,LABELS,y_pred_probs