Update app.py

app.py

@@ -6,22 +6,32 @@ 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
+# 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
+    image = image.resize((64, 64))  # Ridimensionare l'immagine a 64x64
     image_array = np.array(image) / 255.0  # Normalizzare i pixel (da 0 a 1)
+    
+    # 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_array
 
 # Classificazione: Definire una funzione per fare la predizione con le percentuali di confidenza
 def classify_image(image):
     image_array = preprocess_image(image)
-    prediction = model.predict(image_array)[0]  # Usare il modello Keras per predire e prendere la prima riga dei risultati
-    predicted_class_idx = np.argmax(prediction)  # Prendere l'indice della classe con il punteggio più alto
+    
+    # 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']  # Assumendo che tu abbia 2 classi
+    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))}
@@ -41,3 +51,4 @@ gr.Interface(
 
 
 
+