Ajouter app.py

app.py

@@ -0,0 +1,45 @@
+import os
+import numpy as np
+from PIL import Image
+
+# Étape 1 : Télécharger des données
+data_dir = 'donnees'
+emotion_classes = ['happy', 'sad', 'angry']
+num_images_per_class = 100
+
+for emotion in emotion_classes:
+    for i in range(num_images_per_class):
+        filename = f'{emotion}_{i}.jpg'
+        image_path = os.path.join(data_dir, emotion, filename)
+        img = Image.open(image_path)
+        img_array = np.array(img)
+        # Prétraitement des données
+        img_array = img_array / 255.0
+        # Stocker les images prêtes à être utilisées par le modèle
+        img_array = np.reshape(img_array, (1, 224, 224, 3))
+        # Étape 2 : Prétraitement des données
+        img_array = np.concatenate((img_array, np.zeros((100, 224, 224, 3))))
+    print(f'Données pour {emotion} téléchargées avec succès.')
+
+# Étape 3 : Formation du modèle
+from tensorflow.keras.models import Sequential
+from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
+
+model = Sequential()
+model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)))
+model.add(MaxPooling2D((2, 2)))
+model.add(Conv2D(64, (3, 3), activation='relu'))
+model.add(MaxPooling2D((2, 2)))
+model.add(Conv2D(128, (3, 3), activation='relu'))
+model.add(MaxPooling2D((2, 2)))
+model.add(Flatten())
+model.add(Dense(128, activation='relu'))
+model.add(Dense(len(emotion_classes), activation='softmax'))
+
+# Compilation du modèle
+model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
+
+# Entraînement du modèle
+from sklearn.model_selection import train_test_split
+X_train, X_val, y_train, y_val = train_test_split(img_array, np.zeros((num_images_per_class * len(emotion_classes), 3)), test_size=0.2)
+model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_val, y_val))