Update app.py

app.py

@@ -1,59 +1,60 @@
 from PIL import Image
 import numpy as np
-import os
 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')
 
-# Definire la dimensione target delle immagini (coerente con il training)
-target_size = (64, 64)
-
-# Preprocessare l'immagine come fatto con ImageDataGenerator
+# Preprocessare l'immagine in modo consistente con l'addestramento
 def preprocess_image(image):
-    # Convertire l'immagine in RGB e ridimensionare
-    image = Image.fromarray(image).convert("RGB")
-    image = image.resize(target_size, Image.NEAREST)
-
-    # Convertire l'immagine in array numpy e normalizzare
-    image_array = np.array(image) / 255.0  # Normalizzazione tra 0 e 1
+    # 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))
 
-    # Espandere la dimensione per aggiungere la dimensione del batch
-    image_array = np.expand_dims(image_array, axis=0)
+    # 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
 
-# Classificazione: Definire una funzione per fare la predizione con le percentuali di confidenza
+# 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]
+    prediction = model.predict(image_array)[0]  # Prendi la prima riga della predizione
     
-    # Aggiungi un print per vedere le predizioni grezze
+    # Verificare le predizioni grezze
     print(f"Raw model predictions: {prediction}")
     
-    # Indice della classe con il punteggio più alto
+    # Trova l'indice della classe con il punteggio più alto
     predicted_class_idx = np.argmax(prediction)
     
     # Classi (Chihuahua o Muffin)
     class_labels = ['Chihuahua', 'Muffin']
-
-    # Verificare la classe predetta con il suo punteggio
+    
+    # Stampa per verificare la classe e la confidenza
     print(f"Predicted class: {class_labels[predicted_class_idx]} with confidence {prediction[predicted_class_idx]}")
     
-    # Creare un dizionario con le percentuali di confidenza
+    # Restituisci le percentuali di confidenza per ciascuna classe
     confidence_scores = {class_labels[i]: float(prediction[i]) for i in range(len(class_labels))}
     
-    return confidence_scores  # Restituire le percentuali per ciascuna classe
+    return predicted_class_idx
 
-# Definire l'interfaccia di Gradio
+# 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
+    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()