Cloning problem when deploying to Streamlit Cloud.

Community Cloud
1

Please help me fix this error message:

[ UTC ] Logs for modelisationfonciere-g7oqej4ipc6xvvzykfp56r.streamlit.app/

────────────────────── ─────────────────────────────────────────────────────────────────────────

[17:42:55] :desktop_computer: Provisioning machine…

[17:42:55] :control_knobs: Preparing system…

[17:42:55] :chains: Spinning up manager process…

[17:42:55] :rocket: Starting up repository: ‘modelisationfonciere’, branch: ‘main’, main module: ‘Scripts/appStreamlit.py’

[17:42:55] :octopus: Cloning repository…

[17:42:59] :octopus: Failed

[17:43:09] :octopus: Failed

[17:43:19] :octopus: Failed

[17:43:29] :octopus: Failed

[17:43:39] :octopus: Failed to download the sources for repository: ‘modelisationfonciere’, branch: ‘main’, main module: ‘Scripts/appStreamlit.py’

[17:43:39] :octopus: Make sure the repository and the branch exist and you have write access to it, and then reboot the app.
THE.

Here is the structure of my project:

statut_compte_predict/
│── Scripts/
│ └── App_Streamlit_DVF.py
│── models/
│ └── model_compress.pkl
│── images/
│ └── immo.jpg

le code :

import os
import streamlit as st
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
import joblib

=== Nettoyer le cache de Streamlit ===

st.cache_data.clear()

=== Fonction pour obtenir le chemin absolu des fichiers ===

def resource_path(*paths):
base_dir = os.path.dirname(file)
return os.path.join(base_dir, *paths)

=== Configuration de la page ===

st.set_page_config(
page_title=“Estimation Prix Immobilier”,
page_icon=resource_path(“..”, “images”, “icone.png”), # ← correction
)

=== Titre de l’application ===

st.markdown(“”"

:house_with_garden: Estimation du Prix d’un Bien Immobilier

“”", unsafe_allow_html=True)

=== Image d’en-tête ===

image_path = resource_path(“..”, “images”, “immo.jpg”) # ← correction
if os.path.exists(image_path):
image = Image.open(image_path)
image_resized = image.resize((700, 300))
st.markdown(“”, unsafe_allow_html=True)
st.image(image_resized)
st.markdown(“”, unsafe_allow_html=True)
else:
st.warning(“Image ‘immo.jpg’ introuvable.”)

=== Chemin vers le modèle (un niveau au-dessus de Scripts/) ===

MODELE_PATH = resource_path(“..”, “models”, “model_compress.pkl”) # ← correction

=== Chargement du modèle ===

def load_model():
if not os.path.exists(MODELE_PATH):
st.error(f"Le fichier du modèle est introuvable : {MODELE_PATH}")
return None
try:
return joblib.load(MODELE_PATH)
except Exception as e:
st.error(“Erreur lors du chargement du modèle.”)
st.text(str(e))
return None

model = load_model()

=== Interface utilisateur pour la prédiction ===

if model is not None:
st.subheader(“Entrer les données du bien”)

code_postal_encoded = st.number_input("Code postal (encodé)", value=75000)
Surface_terrain = st.number_input("Surface du terrain (m²)", 0.0, 5000.0, 100.0)
Surface_reelle_bati = st.number_input("Surface réelle bâtie (m²)", 10.0, 1000.0, 50.0)
Nombre_pieces_principales = st.number_input("Nombre de pièces principales", 1, 20, 3)
annee_mutation = st.slider("Année de la mutation", 2000, 2025, 2022)
mois_mutation = st.slider("Mois de la mutation", 1, 12, 6)
Nature_mutation = st.selectbox("Nature de la mutation", [
    "Adjudication", "Echange", "Expropriation", "Vente", "VEFA", "Terrain à bâtir"
])
Type_local = st.selectbox("Type de bien", ["Appartement", "Maison"])

# === Encodage one-hot ===
Nature_dict = {
    "Adjudication": 0, "Echange": 0, "Expropriation": 0,
    "Vente": 0, "VEFA": 0, "Terrain à bâtir": 0
}
Nature_dict[Nature_mutation] = 1

Type_dict = {"Appartement": 0, "Maison": 0}
Type_dict[Type_local] = 1

# === Création du DataFrame utilisateur ===
donnees_utilisateur = pd.DataFrame([[
    Surface_terrain, Surface_reelle_bati, Nombre_pieces_principales,
    annee_mutation, mois_mutation, code_postal_encoded,
    Nature_dict["Adjudication"], Nature_dict["Echange"], Nature_dict["Expropriation"],
    Nature_dict["Vente"], Nature_dict["VEFA"], Nature_dict["Terrain à bâtir"],
    Type_dict["Appartement"], Type_dict["Maison"]
]], columns=[
    'Surface_terrain', 'Surface_reelle_bati', 'Nombre_pieces_principales',
    'annee_mutation', 'mois_mutation', 'code_postal_encoded',
    'Nature_mutation_Adjudication', 'Nature_mutation_Echange', 'Nature_mutation_Expropriation',
    'Nature_mutation_Vente', 'Nature_mutation_Vente_etat_futur_achevement',
    'Nature_mutation_Vente_terrain_a_batir',
    'Type_local_Appartement', 'Type_local_Maison'
]).astype(float)

st.write("Données utilisées pour la prédiction :")
st.dataframe(donnees_utilisateur)

# === Prédiction ===
try:
    prediction = model.predict(donnees_utilisateur)[0]
    st.info(f"Estimation du prix total : **{prediction * Surface_reelle_bati:.2f} €**")
except Exception as e:
    st.error("Erreur lors de la prédiction.")
    st.text(str(e))

else:
st.stop()

THANKS IN ADVANCE