First commit

.gitattributes

@@ -25,3 +25,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zstandard filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+*.pickle filter=lfs diff=lfs merge=lfs -text

README.md

@@ -1,8 +1,8 @@
 ---
 title: Nutriscore_app
-emoji: 👁
-colorFrom: green
-colorTo: green
+emoji: 🚀
+colorFrom: red
+colorTo: purple
 sdk: gradio
 app_file: app.py
 pinned: false

app.py

@@ -0,0 +1,112 @@
+import gradio as gr
+import pickle
+import pandas as pd
+from utils import *
+import matplotlib.pyplot as plt
+import matplotlib.image as mpimg
+import sklearn
+
+with open('./model.pickle', 'rb') as model_file:
+  pipeline = pickle.load(model_file)
+
+
+def image_score(score):
+  if score == 'a':
+    return mpimg.imread('./images/Nutriscore_A.png')
+  if score == 'b':
+    return mpimg.imread('./images/Nutriscore_B.png')
+  if score == 'c':
+    return mpimg.imread('./images/Nutriscore_C.png')
+  if score == 'd':
+    return mpimg.imread('./images/Nutriscore_D.png')
+  if score == 'e':
+    return mpimg.imread('./images/Nutriscore_E.png') 
+
+
+def greet(energy, saturated_fats, sugars, fibres, proteins, salt):
+  """
+  This is our main predict function
+  """
+  data_file = pd.DataFrame(columns={
+    'energy-kcal_100g',
+    'saturated-fat_100g',
+    'sugars_100g',
+    'fiber_100g',
+    'proteins_100g',
+    'salt_100g'
+  })
+
+  data_file = data_file.append({
+    'energy-kcal_100g':float(energy),
+    'saturated-fat_100g':float(saturated_fats),
+    'sugars_100g':float(sugars),
+    'fiber_100g':float(fibres),
+    'proteins_100g':float(proteins),
+    'salt_100g':float(salt)
+  },ignore_index=True)
+
+  nutrigrade = pipeline.predict(data_file)
+  return image_score(nutrigrade[0])
+
+description = (
+  "Cette inferface vous donne la possibilité de calculer une estimation "\
+  "du nutriscore du produit de votre choix. Pour cela, vous devez vous munir des valeurs\n"\
+  "nutritionnelles du produit, qui se trouvent très souvent sur l'arrière du packaging."
+)
+
+article = (
+    "<h2>Aide à l'utilisation</h2>"+
+    '<p><ul><li>Veuillez mettre vos nombres avec des "." et non pas des virgules</li>'+
+    '<li>Veuillez remplir toutes les cases. Si un champ est manquant sur votre étiquette, veuillez remplir le champ avec la valeur 0</li>'+
+    '<li>Si la valeur "sels" n"est pas disponible, veuillez mettre la valeur sodium * 2.5. Cas échéant mettre la valeur 0</li>'+
+    "<li>Le score peut mettre jusqu'à 5 secondes pour s'afficher à la première utilisation</li>"+
+    '<li>Veuillez bien choisir les valeurs pour 100g de produit</li></ul></p>'+
+    '<br>'+
+    "<h2>Informations supplémentaires</h2>"+
+    "<p><ul><li>Notre algorithme se base sur les quantités d'energie, d'acide gras saturés, de sucres, de fibre, de protéines et de sels pour estimer le nutriscore</li>"+
+    "<li>Notre analyse repose sur l'hypothèse que ces 6 facteurs sont les composantes principales du Nustriscore</li>"+
+    "<li>Nous avons entrainé nos modèles sur un échantillon de 350,000 produits</li>"+
+    "<li>Quelques chiffres sur le nutriscore: <a href='https://solidarites-sante.gouv.fr/IMG/pdf/nutriscorebilan3ans.pdf'>Lien</a></li></ul></p>"
+)
+
+energy_kcal_100g = gr.inputs.Number(
+  label = 'Energy per 100g (in kcal)'
+)
+
+saturated_fats = gr.inputs.Number(
+  label = 'Saturated fats per 100g (in g)'
+)
+
+sugars = gr.inputs.Number(
+  label = 'Sugars per 100g (in g)'
+)
+
+fibres = gr.inputs.Number(
+  label = 'Fibres per 100g (in g)'
+)
+
+proteins = gr.inputs.Number(
+  label = 'Proteins per 100g (in g)'
+)
+
+salt = gr.inputs.Number(
+  label = 'Salt per 100g (in g) (Note: Salt = Sodium * 2.5)'
+)
+
+image = gr.outputs.Image(
+  label = 'Le Nutriscore estimé est:'
+)
+
+iface = gr.Interface(
+  fn=greet, 
+  inputs=[energy_kcal_100g,saturated_fats,sugars,fibres,proteins,salt], 
+  outputs=image,
+  article = article,
+  title = 'Estimation de Nutriscore (Beta)',
+  description = description,
+  allow_flagging='never',
+  theme='default'
+  )
+
+
+iface.launch()

model.pickle

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a9c91a2d413b5a0c840eb0350ef0a4b42a9f956f45605b63416194ff13eea5f7
+size 957152302

requirements.txt

@@ -0,0 +1,4 @@
+gradio==2.7.0
+matplotlib==3.4.3
+pandas==1.3.4
+scikit-learn==1.0.2

utils.py

@@ -0,0 +1,23 @@
+def grader_food(x):
+        if x<=-1:
+            return 'a'
+        elif (x>-1)&(x<=2):
+            return 'b'
+        elif (x>2)&(x<=10):
+            return 'c'
+        elif (x>10)&(x<=18):
+            return 'd'
+        else:
+            return 'e'
+
+def grader_beverages(x):
+        if (x<=0):
+            return 'a'
+        elif (x>0)&(x<=1):
+            return 'b'
+        elif (x>1)&(x<=5):
+            return 'c'
+        elif (x>5)&(x<=9):
+            return 'd'
+        else:
+            return 'e'