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 senza PyTorch
def preprocess_image(image):
    image = Image.fromarray(image)  # Assumendo che 'image' sia un array numpy
    image = image.resize((64, 64))  # Ridimensionare l'immagine
    image_array = np.array(image) / 255.0  # Normalizzare i pixel (da 0 a 1)
    image_array = np.expand_dims(image_array, axis=0)  # Aggiungi una dimensione batch
    return image_array

# Classificazione: Definire una funzione per fare la predizione
def classify_image(image):
    image_array = preprocess_image(image)
    prediction = model.predict(image_array)  # Usare il modello Keras per predire
    predicted_class_idx = np.argmax(prediction)  # Prendere l'indice della classe con il punteggio più alto

    # Classe predetta (Chihuahua o Muffin)
    class_labels = ['Chihuahua', 'Muffin']  # Assumendo che tu abbia 2 classi
    return class_labels[predicted_class_idx]

# Definire l'interfaccia di Gradio
interface = gr.Interface(
    fn=classify_image,  # Funzione di classificazione
    inputs=gr.Image(type="numpy"),  # Input: immagine in formato numpy
    outputs="label",  # Output: la label della classe
    title="Chihuahua vs Muffin Classifier",
    description="Carica un'immagine e scopri se è un Chihuahua o un Muffin!"
)

# Lanciare l'applicazione
if __name__ == "__main__":
    interface.launch()