File size: 2,246 Bytes
d92d4c0 31ffbac f292242 31ffbac f292242 31ffbac f292242 31ffbac f292242 31ffbac f292242 31ffbac f292242 31ffbac f292242 31ffbac f292242 31ffbac 8d7001b |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 |
from PIL import Image
import numpy as np
import gradio as gr
from tensorflow.keras.models import load_model
# Carica il modello salvato in formato Keras .h5
model = load_model('mio_modello.h5')
# Preprocessare l'immagine
def preprocess_image(image):
image = Image.fromarray(image) # Assumendo che 'image' sia un array numpy
image = image.resize((64, 64)) # Ridimensionare l'immagine a 64x64
image_array = np.array(image) / 255.0 # Normalizzare i pixel (da 0 a 1)
# Verificare la forma dell'immagine preprocessata
print(f"Image shape after resizing and normalization: {image_array.shape}")
image_array = np.expand_dims(image_array, axis=0) # Aggiungi una dimensione batch
return image_array
# Classificazione: Definire una funzione per fare la predizione con le percentuali di confidenza
def classify_image(image):
image_array = preprocess_image(image)
# Fare la predizione e prendere la prima riga dei risultati
prediction = model.predict(image_array)[0]
# Aggiungi un print per vedere le predizioni grezze
print(f"Raw model predictions: {prediction}")
# Verificare che i valori di prediction siano distribuiti correttamente
predicted_class_idx = np.argmax(prediction) # Indice della classe con il punteggio più alto
# Classi (Chihuahua o Muffin)
class_labels = ['Chihuahua', 'Muffin']
# Verificare quale classe è predetta con il suo punteggio
print(f"Predicted class: {class_labels[predicted_class_idx]} with confidence {prediction[predicted_class_idx]}")
# Creare un dizionario con le percentuali di confidenza
confidence_scores = {class_labels[i]: float(prediction[i]) for i in range(len(class_labels))}
return confidence_scores # Restituire le percentuali per ciascuna classe
# Definire l'interfaccia di Gradio
gr.Interface(
fn=classify_image, # Funzione di classificazione
inputs=gr.Image(type="numpy"), # Input: immagine in formato numpy
outputs=gr.Label(num_top_classes=2), # Output: label con le percentuali per le due classi
title="Chihuahua vs Muffin Classifier",
description="Carica un'immagine e scopri se è un Chihuahua o un Muffin, con percentuali di confidenza!"
).launch()
|