Change tab order

app.py

@@ -424,31 +424,11 @@ image_name = "dusseldorf_000012_000019_leftImg8bit.png"
 default_image = os.path.join(data_folder, "images", image_name)
 
 my_theme = gr.Theme.from_hub("YenLai/Superhuman")
+
 with gr.Blocks(title="Preuve de concept", theme=my_theme) as demo:
     gr.Markdown("# Projet 10 - Développer une preuve de concept")
-    with gr.Tab("Prédictions"):
-        gr.Markdown("## Comparaison de segmentation d'images Cityscapes")
-        gr.Markdown(
-            "### Sélectionnez une image pour voir la comparaison entre le masque réel, la prédiction FPN et la prédiction SegFormer."
-        )
-
-        image_input = gr.Dropdown(choices=image_list, label="Sélectionnez une image")
-
-        gallery_output = gr.Gallery(
-            label="Résultats de segmentation",
-            show_label=True,
-            elem_id="gallery",
-            columns=[2],
-            rows=[2],
-            object_fit="contain",
-            height="512px",
-            min_width="1024px",
-        )
-
-        image_input.change(fn=process_image, inputs=image_input, outputs=gallery_output)
-
-    with gr.Tab("EDA"):
-        gr.Markdown("## Analyse Exploratoire des données Cityscapes")
+    with gr.Tab("Distriburion"):
+        gr.Markdown("## Distriburion des classes Cityscapes")
         gr.Markdown(
             "### Visualisations de la distribution de chaque classe selon l'image choisie."
         )
@@ -471,31 +451,6 @@ with gr.Blocks(title="Preuve de concept", theme=my_theme) as demo:
             ],
         )
 
-    with gr.Tab("Explication SegFormer"):
-        gr.Markdown("## Explication du modèle SegFormer")
-        gr.Markdown(
-            "### La méthode Grad-CAM est une technique populaire de visualisation qui est utile pour comprendre comment un réseau neuronal convolutif a été conduit à prendre une décision de classification. Elle est spécifique à chaque classe, ce qui signifie qu’elle peut produire une visualisation distincte pour chaque classe présente dans l’image."
-        )
-        gr.Markdown(
-            "### NB: Si l'image s'affiche sans masque, c'est que le modèle ne trouve pas de zones significatives pour une catégorie donnée."
-        )
-
-        with gr.Row():
-            explain_image_input = gr.Dropdown(
-                choices=image_list, label="Sélectionnez une image"
-            )
-            explain_category_input = gr.Dropdown(
-                choices=category_list, label="Sélectionnez une catégorie"
-            )
-
-        explain_button = gr.Button("Expliquer")
-        explain_output = gr.Plot(label="Explication SegFormer", min_width=200)
-        explain_button.click(
-            fn=explain_model,
-            inputs=[explain_image_input, explain_category_input],
-            outputs=explain_output,
-        )
-
     with gr.Tab("Data Augmentation"):
         gr.Markdown("## Visualisation de l'augmentation de données")
         gr.Markdown(
@@ -538,6 +493,52 @@ with gr.Blocks(title="Preuve de concept", theme=my_theme) as demo:
             outputs=augmented_image,
         )
 
+    with gr.Tab("Prédictions"):
+        gr.Markdown("## Comparaison de segmentation d'images Cityscapes")
+        gr.Markdown(
+            "### Sélectionnez une image pour voir la comparaison entre le masque réel, la prédiction FPN (pré-enregistré) et la prédiction de SegFormer."
+        )
+
+        image_input = gr.Dropdown(choices=image_list, label="Sélectionnez une image")
+
+        gallery_output = gr.Gallery(
+            label="Résultats de segmentation",
+            show_label=True,
+            elem_id="gallery",
+            columns=[2],
+            rows=[2],
+            object_fit="contain",
+            height="512px",
+            min_width="1024px",
+        )
+
+        image_input.change(fn=process_image, inputs=image_input, outputs=gallery_output)
+
+    with gr.Tab("Explication SegFormer"):
+        gr.Markdown("## Explication du modèle SegFormer")
+        gr.Markdown(
+            "### La méthode Grad-CAM est une technique populaire de visualisation qui est utile pour comprendre comment un réseau neuronal convolutif a été conduit à prendre une décision de classification. Elle est spécifique à chaque classe, ce qui signifie qu’elle peut produire une visualisation distincte pour chaque classe présente dans l’image."
+        )
+        gr.Markdown(
+            "### NB: Si l'image s'affiche sans masque, c'est que le modèle ne trouve pas de zones significatives pour une catégorie donnée."
+        )
+
+        with gr.Row():
+            explain_image_input = gr.Dropdown(
+                choices=image_list, label="Sélectionnez une image"
+            )
+            explain_category_input = gr.Dropdown(
+                choices=category_list, label="Sélectionnez une catégorie"
+            )
+
+        explain_button = gr.Button("Expliquer")
+        explain_output = gr.Plot(label="Explication SegFormer", min_width=200)
+        explain_button.click(
+            fn=explain_model,
+            inputs=[explain_image_input, explain_category_input],
+            outputs=explain_output,
+        )
+
 
 # Lancer l'application
 demo.launch(favicon_path="static/favicon.ico", share=True)