# Espaces Streamlit
**Streamlit** offre aux utilisateurs la liberté de créer une application web complète avec Python de manière *réactive*. Votre code est réexécuté à chaque changement d’état de l’application. Streamlit est également idéal pour la visualisation de données et prend en charge plusieurs bibliothèques de graphiques, telles que Bokeh, Plotly et Altair. Lisez cet [article de blog](https://huggingface.co/blog/streamlit-spaces) sur la création et l’hébergement d’applications Streamlit dans Spaces.
Sélectionner **Streamlit** comme SDK lors de la [création d'un nouvel espace](https://huggingface.co/new-space) initialise votre espace avec la dernière version de Streamlit en définissant la propriété `sdk` sur `streamlit` dans le bloc YAML de votre fichier `README.md`. Si vous souhaitez modifier la version de Streamlit, vous pouvez éditer la propriété `sdk_version`.
Pour utiliser Streamlit dans un Space, sélectionnez **Streamlit** comme SDK lors de la création d'un Space via le formulaire [**Nouveau Space**](https://huggingface.co/new-space). Cela crée un dépôt avec un `README.md` contenant les propriétés suivantes dans le bloc de configuration YAML :
```yaml
sdk: streamlit
sdk_version: 1.25.0 # The latest supported version
```
Vous pouvez modifier le `sdk_version`, mais notez que des problèmes peuvent survenir si vous utilisez une version de Streamlit non prise en charge. Toutes les versions de Streamlit ne sont pas supportées, veuillez donc consulter la [section de référence](./spaces-config-reference) pour voir quelles versions sont disponibles.
Pour des informations détaillées sur Streamlit, reportez-vous à la [documentation Streamlit](https://docs.streamlit.io/).
> [!WARNING]
> Seul le port 8501 est autorisé pour les Spaces Streamlit (port par défaut). Par conséquent, si vous fournissez un fichier `config.toml` pour votre Space, assurez-vous que le port par défaut n'est pas remplacé.
## Votre premier espace Streamlit : classifieur de hot-dogs
Dans les sections suivantes, vous apprendrez les bases de la création d'un Space, de sa configuration et du déploiement de votre code dessus. Nous allons créer un Space **Hot Dog Classifier** avec Streamlit qui servira à démontrer le modèle [julien-c/hotdog-not-hotdog](https://huggingface.co/julien-c/hotdog-not-hotdog), capable de détecter si une image donnée contient un hot dog 🌭
Vous pouvez trouver une version complétée de ce projet hébergée sur [NimaBoscarino/hotdog-streamlit](https://huggingface.co/spaces/NimaBoscarino/hotdog-streamlit).
## Créer un nouvel espace Streamlit
Nous commencerons par [créer un nouvel espace](https://huggingface.co/new-space) et en choisissant **Streamlit** comme SDK. Les espaces Hugging Face sont des dépôts Git, ce qui signifie que vous pouvez travailler sur votre espace de manière incrémentale (et collaborative) en poussant des commits. Consultez le guide [Prise en main des dépôts](./repositories-getting-started) pour apprendre à créer et modifier des fichiers avant de continuer.
## Ajouter les dépendances
Pour le **Hot Dog Classifier**, nous utiliserons un [🤗 Transformers pipeline](https://huggingface.co/docs/transformers/pipeline_tutorial) pour exploiter le modèle, il nous faut donc commencer par installer quelques dépendances. Cela peut se faire en créant un fichier **requirements.txt** dans notre dépôt et en y ajoutant les dépendances suivantes :
```
transformers
torch
```
Le runtime Spaces s’occupera d’installer les dépendances !
## Créer l’application Streamlit
Pour créer l'application Streamlit, créez un nouveau fichier dans le dépôt nommé **app.py** et ajoutez le code suivant :
```python
import streamlit as st
from transformers import pipeline
from PIL import Image
pipeline = pipeline(task="image-classification", model="julien-c/hotdog-not-hotdog")
st.title("Hot Dog? Or Not?")
file_name = st.file_uploader("Upload a hot dog candidate image")
if file_name is not None:
col1, col2 = st.columns(2)
image = Image.open(file_name)
col1.image(image, use_column_width=True)
predictions = pipeline(image)
col2.header("Probabilities")
for p in predictions:
col2.subheader(f"{ p['label'] }: { round(p['score'] * 100, 1)}%")
```
Ce script Python utilise un [🤗 Transformers pipeline](https://huggingface.co/docs/transformers/pipeline_tutorial) pour charger le modèle [julien-c/hotdog-not-hotdog](https://huggingface.co/julien-c/hotdog-not-hotdog), utilisé par l'interface Streamlit. L'application Streamlit s'attend à ce que vous téléversiez une image, qu'elle classera ensuite en *hot dog* ou *not hot dog*. Une fois que vous avez enregistré le code dans le fichier **app.py**, visitez l'onglet **App** pour voir votre application en action !
## Intégrer des Spaces Streamlit dans d'autres pages web
Vous pouvez utiliser la balise HTML `
```
```
De plus, vous pouvez consulter [notre documentation](./spaces-embed).