Actualiser app.py
This commit is contained in:
parent
ecdaf5b5f4
commit
c87f40f2fa
107
app.py
107
app.py
@ -1,30 +1,53 @@
|
||||
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
|
||||
import numpy as np
|
||||
from tensorflow.keras.preprocessing.image import load_img, img_to_array
|
||||
from tensorflow.keras.models import Sequential
|
||||
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
|
||||
import sys
|
||||
|
||||
# Chemin vers vos données
|
||||
data_dir = 'donnees'
|
||||
|
||||
# Chargement des images de personnes contentes
|
||||
happy_dir = os.path.join(data_dir, 'happy')
|
||||
images_happy = []
|
||||
for filename in os.listdir(happy_dir):
|
||||
img_path = os.path.join(happy_dir, filename)
|
||||
img = load_img(img_path, target_size=(224, 224))
|
||||
img_array = img_to_array(img)
|
||||
images_happy.append(img_array)
|
||||
|
||||
x_happy = np.array(images_happy) / 255.0
|
||||
y_happy = np.ones((len(images_happy),)) # étiquettes : tous les images sont de personnes contentes (1)
|
||||
|
||||
# Chargement des images de personnes tristes
|
||||
sad_dir = os.path.join(data_dir, 'sad')
|
||||
images_sad = []
|
||||
for filename in os.listdir(sad_dir):
|
||||
img_path = os.path.join(sad_dir, filename)
|
||||
img = load_img(img_path, target_size=(224, 224))
|
||||
img_array = img_to_array(img)
|
||||
images_sad.append(img_array)
|
||||
|
||||
x_sad = np.array(images_sad) / 255.0
|
||||
y_sad = np.zeros((len(images_sad),)) # étiquettes : tous les images sont de personnes tristes (0)
|
||||
|
||||
# Préparation des données d'entraînement et de test
|
||||
x_happy = np.array(images_happy) / 255.0
|
||||
y_happy = np.ones((len(images_happy),)) # étiquettes : tous les images sont de personnes contentes (1)
|
||||
x_sad = np.array(images_sad) / 255.0
|
||||
y_sad = np.zeros((len(images_sad),)) # étiquettes : tous les images sont de personnes tristes (0)
|
||||
|
||||
x_train = np.concatenate((x_happy, x_sad))
|
||||
y_train = np.concatenate((y_happy, y_sad))
|
||||
|
||||
# Séparation des données en entraînement et de test
|
||||
train_size = int(0.8 * len(x_train))
|
||||
x_train, x_test = x_train[:train_size], x_train[train_size:]
|
||||
y_train, y_test = y_train[:train_size], y_train[train_size:]
|
||||
|
||||
# Création du modèle de reconnaissance d'émotion
|
||||
model = Sequential()
|
||||
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224, 3)))
|
||||
model.add(MaxPooling2D((2, 2)))
|
||||
@ -34,12 +57,42 @@ 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'))
|
||||
model.add(Dense(1, activation='sigmoid'))
|
||||
|
||||
# Compilation du modèle
|
||||
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
|
||||
model.compile(optimizer='adam', loss='binary_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))
|
||||
model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_test, y_test))
|
||||
|
||||
# Évaluation du modèle
|
||||
loss, accuracy = model.evaluate(x_test, y_test)
|
||||
print(f'Pertinence : {accuracy:.2f}')
|
||||
|
||||
# Chargement de l'image à tester
|
||||
img_path = sys.argv[1]
|
||||
|
||||
# Ouvre l'image avec OpenCV
|
||||
img = load_img(img_path, target_size=(224, 224))
|
||||
|
||||
# Convertit l'image en tableau NumPy
|
||||
img_array = img_to_array(img)
|
||||
|
||||
# Prétraitement de l'image (normalisation des pixels)
|
||||
img_array = img_array / 255.0
|
||||
|
||||
# Prédiction de l'émotion avec le modèle
|
||||
prediction = model.predict(np.array([img_array]))
|
||||
|
||||
# Récupération de la probabilité de contenu et de tristesse
|
||||
content_prob = prediction[0][0]
|
||||
sadness_prob = 1 - content_prob
|
||||
|
||||
print(f"Probabilité de contenu : {content_prob:.2f}")
|
||||
print(f"Probabilité de tristesse : {sadness_prob:.2f}")
|
||||
|
||||
# Vous pouvez également utiliser une fonction pour déterminer si l'émotion est plus proche du contenu ou de la tristesse
|
||||
if content_prob > sadness_prob:
|
||||
print("L'image semble être un sourire !")
|
||||
else:
|
||||
print("L'image semble être une expression triste.")
|
Loading…
Reference in New Issue
Block a user