Delete app.py

app.py

@@ -1,53 +0,0 @@
-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
-    
-    # Aggiungi un controllo per verificare la forma dell'immagine
-    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
-
-# 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}")
-    
-    predicted_class_idx = np.argmax(prediction)  # Indice della classe con il punteggio più alto
-    
-    # Classi (Chihuahua o Muffin)
-    class_labels = ['Chihuahua', 'Muffin']
-    
-    # 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(), 
-    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()
-
-
-
-
-
-