Update app.py

app.py

@@ -1,48 +1,38 @@
-import gradio as gr
-import google.generativeai as genai
-from yolov5 import YOLOv5
+from transformers import AutoFeatureExtractor, AutoModel
 from PIL import Image
-
-# Configurez votre clé API
-genai.configure(api_key="AIzaSyB_Hnl_77gd1I8xs6iuLqKIoGHgsZMXm1M")
-
-# Chargez le modèle Gemini Pro
-gemini_model = genai.GenerativeModel('gemini-pro')
-
-# Charger le modèle de détection YOLOv5
-yolo_model_path = "yolov5s.pt"
-yolo_model = YOLOv5(yolo_model_path, device="cpu")
-
-# Fonction de détection d'ingrédients
-def detect_ingredients(image):
-    results = yolo_model.predict(image)
-    ingredients = results.pandas().xyxy[0]['name'].tolist()
-    return ingredients
-
-# Fonction de génération de recettes
-def generate_recipe(ingredients):
-    # Ajoutez une indication dans le prompt pour générer la réponse en français
-    prompt = f"Créer une recette en français en utilisant les ingrédients suivants (si ingrédients supplémentaire, preciser qu'ils ne sont présents sur la photo) et seulement une recette, rien de plus. Il faut que les ingrédients soient commestibles et que la recette soit légale. Lorsqu'une demande est tordue ou interdite, répond : Mais ça va pas ou quoi là...? : {', '.join(ingredients)}."
-    response = gemini_model.generate_content(prompt)
-    return response.text
-
-# Interface Gradio
-def process_image(image):
-    # Ouvrir l'image depuis le chemin fourni
-    image = Image.open(image)
-    ingredients = detect_ingredients(image)
-    recipe = generate_recipe(ingredients)
-    return f"Ingrédients détectés : {', '.join(ingredients)}\n\nRecette générée :\n{recipe}"
-
-# Mise à jour de l'interface Gradio
-iface = gr.Interface(
-    fn=process_image,
-    inputs=gr.Image(type="filepath"),  # Permet le téléchargement d'image depuis la galerie
-    outputs="text",
-    title="Générateur de Recettes par Ingrédients",
-    description="Téléchargez une image d'ingrédients pour générer une recette.",
-)
-
-# Lancer l'application
-if __name__ == "__main__":
-    iface.launch()
+import torch
+from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
+
+# Charger le modèle de vision par ordinateur
+model_name = "google/efficientnet-b0"
+feature_extractor = AutoFeatureExtractor.from_pretrained(model_name)
+model = AutoModel.from_pretrained(model_name)
+
+# Charger et prétraiter l'image
+image_path = "path/to/your/image.jpg"
+image = Image.open(image_path)
+inputs = feature_extractor(images=image, return_tensors="pt")
+
+# Passer l'image à travers le modèle
+with torch.no_grad():
+    outputs = model(**inputs)
+
+# Extraire les caractéristiques de l'image
+features = outputs.last_hidden_state.mean(dim=1)
+
+# Charger le modèle de génération de texte
+model_name = "t5-small"
+tokenizer = AutoTokenizer.from_pretrained(model_name)
+model = AutoModelForSeq2SeqLM.from_pretrained(model_name)
+
+# Convertir les caractéristiques de l'image en texte
+input_text = "Generate a recipe based on the following image features: " + str(features.tolist())
+inputs = tokenizer(input_text, return_tensors="pt")
+
+# Générer la recette
+with torch.no_grad():
+    outputs = model.generate(**inputs)
+
+# Décoder la recette générée
+recipe = tokenizer.decode(outputs[0], skip_special_tokens=True)
+print(recipe)