Update app.py

app.py

@@ -3,59 +3,46 @@ 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 in modo consistente con l'addestramento
+# Image processing
 def preprocess_image(image):
-    # 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.fromarray(image)  
     image = image.convert("RGB")
-    
-    # Ridimensiona l'immagine
     image = image.resize((64, 64))
-
-    # Converti l'immagine in array NumPy e normalizza
-    image_array = np.array(image) / 255.0  # Normalizza i pixel tra 0 e 1
+    image_array = np.array(image) / 255.0  
     
-    # Aggiungi una dimensione batch
     image_array = np.expand_dims(image_array, axis=0)  # (1, 64, 64, 3)
     
     return image_array
 
-# 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]  # Prendi la prima riga della predizione
+    prediction = model.predict(image_array)[0] 
     
-    # Verificare le predizioni grezze
     print(f"Raw model predictions: {prediction}")
     
-    # Trova l'indice della classe con il punteggio più alto
     predicted_class_idx = np.argmax(prediction)
     
-    # Classi (Chihuahua o Muffin)
     class_labels = ['Chihuahua', 'Muffin']
     
-    # Stampa per verificare la classe e la confidenza
     print(f"Predicted class: {class_labels[predicted_class_idx]} with confidence {prediction[predicted_class_idx]}")
     
-    # 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
 
-# Interfaccia di Gradio
+examples = ['chihuahua1.jpg', 'chihuahua2.jpg', 'chihuahua3.jpg', 'muffin1.jpg', 'muffin2.jpg']
+
+#  Gradio Interface
 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 percentuali per le due classi
+    fn=classify_image,  
+    inputs=gr.Image(type="numpy"), 
+    outputs=gr.Label(num_top_classes=2), 
+    examples=examples,
     title="Chihuahua vs Muffin Classifier",
-    description="Carica un'immagine e scopri se è un Chihuahua o un Muffin, con percentuali di confidenza!"
+    description="don't know if you should cuddle it or eat it? find out uploading a picture. PS: no muffin and no chihuahua got hurt in this project"
 ).launch()