FoodScan AI

Petit projet frontend pour analyser l'état des aliments à l'aide d'un modèle Teachable Machine et afficher les résultats sous forme de barres.

Fichiers principaux

• index.html
• scanner.html
• css/reset.css
• css/style_index.css
• css/style_landing.css
• js/model-runner.js — contient la fonction exportée model-runner.setupModel
• js/bar-graph.js — contient les fonctions exportées bar-graph.setupBarGraph et bar-graph.updateBarGraph

Démarrage rapide (serveur local)

1. Depuis la racine du projet, lancer un serveur simple : $ python3 -m http.server 8000
2. Ouvrir la page scanner dans le navigateur hôte : $BROWSER http://localhost:8000/scanner.html

Utilisation

• La page scanner.html charge les bibliothèques TFJS et Teachable Machine depuis les CDN.
• Le modèle Teachable Machine utilisé est défini ici : la constante URL dans scanner.html. Remplacez-la par l'URL de votre modèle si nécessaire.
• Flux principal :
  • bar-graph.setupBarGraph récupère la metadata et construit les barres.
  • model-runner.setupModel charge le modèle et écoute l'upload d'image.
  • Lorsque l'image est uploadée, bar-graph.updateBarGraph met à jour l'affichage.

Points d'attention

• Les scripts s'appuient sur des imports de modules ES (type="module"). Servir via HTTP est recommandé (pas d'ouverture directe file://).
• TFJS inclus est une version ancienne dans scanner.html — mettre à jour si besoin.
• Le preview d'image est géré dans scanner.html (élément #selectedImage) tandis que la prédiction est réalisée dans js/model-runner.js.

Contribuer

• Modifier le modèle : mettre à jour la variable URL dans scanner.html.
• Ajouter des styles : éditer les fichiers dans css/.
• Ajouter des visualisations : éditer js/bar-graph.js.

Licence

• Projet personnel / prototype. Ajouter une licence si nécessaire.