Update app.py

app.py

@@ -34,25 +34,25 @@ st.markdown('## NER-Visualisierer für deutsche (historische) Texte')
 #------------------------------------------------------------------------------
 
 #Spacy-Modell auswählen 
-model = "de_history_md"
-model = st.sidebar.selectbox("Wähle ein Modell:", ["de_history_md", "de_core_news_sm", "de_core_news_md", "de_core_news_lg"], key="model")
+model = "de_fnhd_nerdh"
+model = st.sidebar.selectbox("Wähle ein Modell:", ["de_fnhd_nerdh", "de_fnhd_sm", "de_fnhd_md", "de_fnhd_lg", "de_core_news_sm", "de_core_news_md", "de_core_news_lg"], key="model")
 with st.spinner('Modell wird geladen...'):
     nlp = spacy.load(model)
 st.success('Modell ' + model + ' ist geladen!')
 
 #Informationen über die verschiedenen Modelle
-if model == "de_history_md":
+if model in ["de_fnhd_nerdh","de_fnhd_sm", "de_fnhd_md", "de_fnhd_lg"]:
     with st.sidebar.expander("Über das Modell"):
         st.write("""
             Das Modell basiert auf frühneuhochdeutschen Texten der digitalen Edition **Philipp Hainhofer: *Reiseberichte & Sammlungsbeschreibungen 1594-1636*** (https://hainhofer.hab.de/). 
             \n Trainiert wurde das Modell mit der Pipeline der Python Bibliothek [Spacy](https://spacy.io/). Das Modell kann [hier](https://github.com/easyh/NerDH/releases/latest/download/de_history_md-0.0.1.tar.gz) (586MB) heruntergeladen und als Python-Package installiert werden.
-            Bei der Evaluation mit den Testdaten schnitt das Modell mit einem F-Score von **0.89** ziemlich gut ab.
+            F-Score: **0.89**.
             \n Mehr Informationen zum Prozess des Trainings etc. gibt es [hier](https://easyh.github.io/NerDH/tut/).
         """)
     with st.sidebar.expander("Named Entities Labels"):
         st.write("""
             **PERSON:** Einzelperson oder Familie
-            \n**ORT:** Geographische Einheit, d. h. Länder, Städte, Staaten.
+            \n**ORT:** Geographische Einheit, d. h. Länder, Städte, Staaten oder Flüsse.
             \n**ORGANISATION:** Institutionen,(Ordens-)Gemeinschaften, Verbindungen, etc.
             \n**OBJEKT:** Architektur, Gebäude, Kunst, etc.       
             \n**ZEIT:** Datum, Monat, Jahr, Uhrzeit 
@@ -142,7 +142,7 @@ colors = {"PER": "#fdec3e", "PERSON": "#fdec3e", "LOC": "#7e56c2", "ORT": "#7e56
 #NER-Prozess wird gestartet, je nach Model werden hier die entsprechenden Entitäten gewechselt.
 with st.spinner('Named Entities werden gesucht...'):
     doc = nlp(text)
-    if model == "de_history_md":    
+    if model in ["de_fnhd_nerdh","de_fnhd_sm", "de_fnhd_md", "de_fnhd_lg"]:    
         spacy_streamlit.visualize_ner(doc, labels = ["PERSON", "ORT", "ORGANISATION", "OBJEKT", "LITERATUR", "ZEIT",], show_table=False,    colors = colors)
     else: 
         spacy_streamlit.visualize_ner(doc, labels = ["PER", "LOC", "ORG", "MISC"], show_table=False,    colors = colors)
@@ -202,4 +202,4 @@ st.sidebar.write(f'''
     </a>
     ''',
     unsafe_allow_html=True
-)
+)