Create app.py

app.py

@@ -0,0 +1,76 @@
+import torch
+from torchvision import transforms
+from PIL import Image, ImageStat
+import gradio as gr
+import numpy as np
+
+# Carica il tuo modello pre-addestrato (aggiorna il percorso del modello come necessario)
+model = torch.load('model_v11.pt', map_location=torch.device('cpu'))
+model.eval()
+
+# Funzione per loggare i colori dell'immagine
+def log_image_color_stats(image):
+    stat = ImageStat.Stat(image)
+    mean_rgb = stat.mean
+    print(f"Color Stats - R: {mean_rgb[0] / 255.0}, G: {mean_rgb[1] / 255.0}, B: {mean_rgb[2] / 255.0}")
+
+# Funzione per loggare i dati del tensore
+def log_tensor_data(tensor):
+    print(f"Tensor shape: {tensor.shape}")
+    print(f"Tensor data (first 10 values): {tensor.flatten()[:10]}")
+
+# Preprocessing per l'immagine con normalizzazione
+preprocess = transforms.Compose([
+    transforms.Resize((224, 224)),
+    transforms.ToTensor(),
+    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
+])
+
+# Preprocessing senza normalizzazione (separato)
+preprocess_without_normalize = transforms.Compose([
+    transforms.Resize((224, 224)),
+    transforms.ToTensor()
+])
+
+# Funzione di previsione
+def classify_image(image):
+    # Logga i colori dell'immagine originale
+    log_image_color_stats(image)
+    
+    # Ridimensiona l'immagine per coerenza
+    img_resized = image.resize((224, 224))
+    print(f"Resized Bitmap dimensions: {img_resized.size}")
+
+    # Preprocessa e ottieni il tensore non normalizzato
+    img_tensor_no_normalize = preprocess_without_normalize(image).unsqueeze(0)
+    print("Tensor data before normalization:")
+    log_tensor_data(img_tensor_no_normalize)
+    
+    # Preprocessa e normalizza
+    img_tensor = preprocess(image).unsqueeze(0)
+    log_tensor_data(img_tensor)
+
+    # Esegui la previsione
+    with torch.no_grad():
+        output = model(img_tensor)
+        
+        # Logga i punteggi raw
+        print(f"Raw output scores: {output}")
+
+        # Calcola le probabilità
+        probabilities = torch.softmax(output, dim=1)
+
+        # Estrai le probabilità e l'indice della classe prevista
+        predicted_class_index = probabilities.argmax()
+        predicted_probability = probabilities[0][predicted_class_index]
+        
+        # Logga le probabilità di ciascuna classe
+        print("Probabilities for each class:")
+        for index, prob in enumerate(probabilities[0]):
+            print(f"Class {index}: {prob.item():.4f}")
+
+    # Restituisci l'indice della classe e la probabilità come output
+    return f"Predicted class index: {predicted_class_index.item()}, Probability: {predicted_probability.item():.4f}"
+
+# Interfaccia Gradio
+gr.Interface(fn=classify_image, inputs="image", outputs="text").launch()