#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("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('''

















© 2023 - KEYCE - Tout droits reservés
''', unsafe_allow_html=True) if choose == "Acceuil": st.markdown("
", unsafe_allow_html=True) st.subheader("Bienvenue") st.caption(" ") #Insertion d'une image st.image("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("
", 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("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("
", unsafe_allow_html=True) col1, col2, col3 = st.columns(3) aa = col1 ag = col2.markdown('''
État diagnostique de M/Mme ''' f'{f_name}' '''
''', unsafe_allow_html=True) ss = col3 #Affichage de la prediction col1, col2, col3 = st.columns(3) xx = col1 ar = col2.markdown('''

''' f'{cle}' '''

''', 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()