Update app.py

app.py

@@ -1,27 +1,52 @@
+ from PIL import Image
+import numpy as np
 import gradio as gr
-from fastai.vision.all import *
-from huggingface_hub import from_pretrained_fastai
+from tensorflow.keras.models import load_model
 
+# Carica il modello salvato in formato Keras .h5
+model = load_model('mio_modello.h5')
 
-learn = from_pretrained_fastai("valanga/CvsM")
-labels = learn.dls.vocab
+# 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
 
-def predict(img):
-    img = PILImage.create(img)
-    pred, pred_idx, probs = learn.predict(img)
-    return {labels[i]: float(probs[i]) for i in range(len(labels))}
+# 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
 
-title = "chihuahua vs muffin predictor"
-description = "A bad model that tries to identify chihuahua from muffin."
-examples = ['chihuahua', 'muffin']
-
+# Definire l'interfaccia di Gradio
 gr.Interface(
-    fn=predict,
-    inputs=gr.Image(),
-    outputs=gr.Label(num_top_classes=2),
-    title=title,
-    description=description,
-    examples=examples,
+    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()