Update app.py

app.py

@@ -1,29 +1,31 @@
 import streamlit as st
 import tensorflow as tf
-from tensorflow.keras.preprocessing.image import img_to_array, load_img
-from PIL import Image
+from tensorflow.keras.preprocessing.image import load_img, img_to_array
 import numpy as np
 
 def preprocesa_img(img_path):
-  img= load_img(img_path, color_mode = "grayscale", target_size=(28,28))
-  img_array = img_to_array(img)
-  img_array = 255-img_array
-  img_array = np.expand_dims(img_array, axis = 0)
-  return img_array
-    
+    img = load_img(img_path, color_mode="grayscale", target_size=(28, 28))
+    img_array = img_to_array(img)
+    img_array = 255 - img_array  # Invertir colores
+    img_array = img_array.reshape(1, 784) / 255.0  # Aplanar y normalizar
+    return img_array
+
+# Cargar el modelo
 model = tf.keras.models.load_model("identificadordigitos.h5")
-st.title("Clasificación de imagenes")
+st.title("Clasificación de imágenes de dígitos")
 
-uploaded_file = st.file_uploader("Subir una imagen de un digito", type =["jpg", "png"])
+uploaded_file = st.file_uploader("Subir una imagen de un dígito", type=["jpg", "png"])
 
 if uploaded_file is not None:
     image_array = preprocesa_img(uploaded_file)
     
-    model = tf.keras.models.load_model("identificadordigitos.h5")
-    preimg_flat = image_array.reshape(1, 784)
-    preliminar = model.predict(preimg_flat)
+    # Verificar la imagen preprocesada
+    st.write("Imagen preprocesada:", image_array)
 
-    st.write(preliminar)
-    prediccion = np.argmax(preliminar, axis=1)
+    # Realizar la predicción
+    preliminar = model.predict(image_array)
+    st.write("Predicción del modelo (vector de probabilidades):", preliminar)
 
-    st.write(prediccion)
+    # Obtener la predicción final
+    prediccion = np.argmax(preliminar, axis=1)[0]
+    st.success(f"Predicción: {prediccion}")