Upload 3 files

api2.py

@@ -0,0 +1,100 @@
+from fastapi import FastAPI, File, UploadFile
+from tensorflow.keras.models import load_model # type: ignore
+from PIL import Image, ImageOps
+from scipy.stats import entropy
+import numpy as np
+import io
+import time
+from tensorflow.keras.layers import DepthwiseConv2D  # type: ignore
+
+
+# Initialiser l'application FastAPI
+app = FastAPI(
+    title="Dental Diseases Prediction API",
+    description="Cette API prédit le type de maladie bucco-dentaire à partir d'images.",
+    version="1.0.0"
+)
+
+
+# Route pour accêder a la page d'accueil
+@app.get("/")
+def read_root():
+    return {"message": "API Dental Diseases Prediction"}
+
+def custom_depthwise_conv2d(*args, **kwargs):
+    if 'groups' in kwargs:
+        del kwargs['groups']  # Retirer 'groups'
+    return DepthwiseConv2D(*args, **kwargs)
+
+# Charger le modèle
+model = load_model("keras_model.h5", custom_objects={'DepthwiseConv2D': custom_depthwise_conv2d}, compile=False)
+
+# Charger les étiquettes
+with open("labels.txt", "r") as file:
+    class_names = [line.strip() for line in file.readlines()]
+
+# Fonction pour prétraiter l'image
+def preprocess(image):
+    # Redimensionner l'image à 224x224
+    image = ImageOps.fit(image, (224, 224), Image.Resampling.LANCZOS)
+    
+    # Convertir l'image en tableau numpy et s'assurer qu'elle a 3 canaux
+    image_array = np.asarray(image.convert("RGB"), dtype=np.float32)
+    
+    # Normaliser l'image
+    normalized_image_array = (image_array / 127.5) - 1
+    
+    # Créer le tableau de données pour le modèle
+    data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32)
+    data[0] = normalized_image_array
+
+    return data
+
+# Endpoint pour les prédictions
+@app.post("/predict/", summary="Upload an image for dental disease prediction", description="This endpoint allows you to upload an image of the teeth and get a prediction of the dental disease.")
+async def predict(file: UploadFile = File(...)):
+    """
+    Charge une image et la passe au modèle pour prédire.
+    
+    - **file**: fichier image (jpeg ou png) à analyser
+    """
+    # Lire l'image envoyée
+    try:
+        image = Image.open(io.BytesIO(await file.read()))
+    except Exception as e:
+        return {"error": f"Invalid image file: {str(e)}"}
+    
+    # Pré-traiter l'image
+    processed_image = preprocess(image)
+    
+    # Calculer le temps de traitement
+    start_time = time.time()
+    
+    # Faire la prédiction avec le modèle
+    prediction = model.predict(processed_image)
+    processing_time = time.time() - start_time
+
+    # Trouver la classe avec la probabilité la plus élevée
+    predicted_class_index = np.argmax(prediction[0])
+    predicted_class = class_names[predicted_class_index]
+    
+    # Calculer la marge de confiance
+    sorted_probs = np.sort(prediction[0])[::-1]
+    confidence_margin = sorted_probs[0] - sorted_probs[1]
+    
+    # Calculer l'entropie
+    uncertainty = entropy(prediction[0])  # calcul de l'entropie
+    
+    # Retourner la prédiction sous forme JSON
+    return {
+        "prediction": predicted_class,
+        "confidence": float(prediction[0][predicted_class_index]),
+        "confidence_margin": float(confidence_margin),
+        "uncertainty": float(uncertainty),
+        "processing_time": float(processing_time)
+    }
+
+# Commande pour démarrer le serveur FastAPI
+if __name__ == "__main__":
+    import uvicorn
+    uvicorn.run(app, host="0.0.0.0", port=8000)

keras_model.h5

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:e8cfcaa8914840e9c8f98330cf7e157ff04d4ae392dbcc82683ba4055ee9bd87
+size 2457008

labels.txt

@@ -0,0 +1,5 @@
+Calculus
+Caries
+Gingivitis
+Hypodontia
+Tooth Discoloration