app.py

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 in modo consistente con l'addestramento
def preprocess_image(image):
    # Convertire l'immagine in formato PIL se non lo è già
    image = Image.fromarray(image)  
    
    # Converti in RGB per evitare problemi di canali
    image = image.convert("RGB")
    
    # Ridimensiona l'immagine
    image = image.resize((64, 64))

    # Converti l'immagine in array NumPy e normalizza
    image_array = np.array(image) / 255.0  # Normalizza i pixel tra 0 e 1
    
    # Aggiungi una dimensione batch
    image_array = np.expand_dims(image_array, axis=0)  # (1, 64, 64, 3)
    
    return image_array

# Funzione di classificazione con stampa delle predizioni
def classify_image(image):
    # Preprocessare l'immagine
    image_array = preprocess_image(image)
    
    # Fare la predizione
    prediction = model.predict(image_array)[0]  # Prendi la prima riga della predizione
    
    # Verificare le predizioni grezze
    print(f"Raw model predictions: {prediction}")
    
    # Trova l'indice della classe con il punteggio più alto
    predicted_class_idx = np.argmax(prediction)
    
    # Classi (Chihuahua o Muffin)
    class_labels = ['Chihuahua', 'Muffin']
    
    # Stampa per verificare la classe e la confidenza
    print(f"Predicted class: {class_labels[predicted_class_idx]} with confidence {prediction[predicted_class_idx]}")
    
    # Restituisci le percentuali di confidenza per ciascuna classe
    confidence_scores = {class_labels[i]: float(prediction[i]) for i in range(len(class_labels))}
    
    return class_labels[predicted_class_idx]

# 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 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()