Actualiser app.py

app.py

@@ -1,30 +1,53 @@
 import os
-import numpy as np
 from PIL import Image
-
+import numpy as np
-# Étape 1 : Télécharger des données
+from tensorflow.keras.preprocessing.image import load_img, img_to_array
-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
+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
+model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_test, y_test))
-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))
+# 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.")