Upload 2 files

src/app6.py

@@ -0,0 +1,68 @@
+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}")

src/rice_model.tflite

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:4255f5ffed912644bd475693dd3b6af51de3d3965a3a8a7ea789e3fee17e6776
+size 16687744