Create app.py

app.py

@@ -0,0 +1,43 @@
+import streamlit as st
+from transformers import AutoProcessor, AutoModelForImageClassification
+from PIL import Image
+import requests
+
+# Titre de l'application
+st.title("RADPID: Assistant de diagnostic radiologique")
+st.markdown("**Chargez une radiographie et sélectionnez la tâche souhaitée :**")
+
+# Sélection des tâches
+task = st.radio("Sélectionnez une tâche", ["Fracture Detection", "Pneumothorax Detection", "Pneumonia Detection"])
+
+# Modèles
+models = {
+    "Fracture Detection": "facebook/detr-resnet-50",
+    "Pneumothorax Detection": "RGDancer/Pneumothorax_detection",
+    "Pneumonia Detection": "wanghaoy/Chest_XRay_Pneumonia",
+}
+
+# Charger le modèle et le processeur correspondant
+model_name = models[task]
+processor = AutoProcessor.from_pretrained(model_name)
+model = AutoModelForImageClassification.from_pretrained(model_name)
+
+# Upload de l'image
+uploaded_file = st.file_uploader("Upload your Chest X-Ray image", type=["png", "jpg", "jpeg"])
+
+if uploaded_file is not None:
+    # Charger l'image
+    image = Image.open(uploaded_file).convert("RGB")
+    st.image(image, caption="Image Uploadée", use_column_width=True)
+
+    # Effectuer la prédiction
+    st.markdown("### Résultat de la prédiction :")
+    with st.spinner("Analyse en cours..."):
+        inputs = processor(images=image, return_tensors="pt")
+        outputs = model(**inputs)
+        predictions = outputs.logits.softmax(dim=-1).tolist()
+
+        # Afficher les scores
+        st.write(f"Scores pour la tâche '{task}':")
+        st.json(predictions)
+