Spaces:
Sleeping
Sleeping
File size: 2,296 Bytes
a775bfb | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 | import streamlit as st
import tensorflow as tf
import numpy as np
from PIL import Image
# -----------------------------
# 1. Instellingen
# -----------------------------
# Gebruik dezelfde image size als bij training!
IMG_SIZE = (224, 224) # of (128, 128) als je model daarop is getraind
CLASS_NAMES = ['Karacadag', 'Basmati', 'Jasmine', 'Arborio', 'Ipsala']
st.set_page_config(page_title="Rice Classifier", page_icon="🌾")
st.title("🌾 Rice Classifier")
st.write("Upload een rijstkorrel-afbeelding om het type te laten voorspellen.")
# -----------------------------
# 2. Laad TFLite model
# -----------------------------
@st.cache_resource
def load_interpreter():
interpreter = tf.lite.Interpreter(model_path="rice_model.tflite")
interpreter.allocate_tensors()
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
return interpreter, input_details, output_details
try:
interpreter, input_details, output_details = load_interpreter()
except Exception as e:
st.error(f"Kon TFLite-model niet laden: {e}")
st.stop()
# -----------------------------
# 3. Upload afbeelding
# -----------------------------
uploaded = st.file_uploader("Upload een afbeelding", type=["jpg", "jpeg", "png"])
if uploaded is None:
st.info("👆 Kies hierboven een afbeelding.")
else:
# Toon de geüploade afbeelding
img = Image.open(uploaded)
st.image(img, caption="Geüploade afbeelding", use_container_width=True)
# Zorg dat het echt RGB is
if img.mode != "RGB":
img = img.convert("RGB")
# Resize + normaliseer
img = img.resize(IMG_SIZE)
img_array = np.array(img) / 255.0
img_array = np.expand_dims(img_array, axis=0).astype(np.float32)
# -----------------------------
# 4. Voorspelling
# -----------------------------
interpreter.set_tensor(input_details[0]['index'], img_array)
interpreter.invoke()
prediction = interpreter.get_tensor(output_details[0]['index'])
idx = int(np.argmax(prediction))
confidence = float(prediction[0][idx])
st.subheader("🔍 Resultaat")
st.write(f"**Predicted class:** {CLASS_NAMES[idx]}")
st.write(f"**Confidence:** {confidence:.4f}")
|