Upload 2 files

app.py

@@ -0,0 +1,62 @@
+import gradio as gr
+from PIL import Image
+import numpy as np
+import tensorflow as tf
+import matplotlib.pyplot as plt
+
+# Definir los nombres de las clases de CIFAR-10 (limitado a las 3 clases seleccionadas)
+class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer']
+
+# Cargar el modelo preentrenado (asegúrate de que esté disponible en el Space)
+model = tf.keras.models.load_model('final_model.keras')
+
+# Definir las medias y desviaciones estándar para la normalización
+mean = np.array([0.4914, 0.4822, 0.4465])
+std = np.array([0.2470, 0.2435, 0.2616])
+
+# Función para cargar y preprocesar la imagen
+def load_and_preprocess_image(image):
+    img = Image.open(image)  # Abrir la imagen
+    img = img.resize((32, 32))  # Redimensionar la imagen a 32x32 píxeles
+    img = np.array(img)  # Convertir la imagen en un array de NumPy
+
+    # Asegurarse de que la imagen tenga 3 canales (RGB)
+    if img.ndim == 2:  # Si es una imagen en escala de grises
+        img = np.stack([img] * 3, axis=-1)
+
+    img = img.astype('float32')  # Asegurarse de que la imagen sea de tipo float32
+    img = (img / 255.0 - mean) / std  # Normalizar la imagen
+
+    # Añadir una dimensión adicional para representar el batch (1 imagen)
+    img = np.expand_dims(img, axis=0)
+    return img
+
+# Función para predecir una imagen cargada
+def predict_image(image):
+    # Cargar y preprocesar la imagen
+    img = load_and_preprocess_image(image)
+
+    # Hacer la predicción
+    prediction = model.predict(img)
+
+    # Obtener las probabilidades de todas las clases
+    probabilities = tf.nn.softmax(prediction[0]).numpy()
+
+    # Crear un diccionario con las probabilidades de cada clase
+    results = {class_names[i]: float(probabilities[i]) * 100 for i in range(len(class_names))}
+
+    # Formatear el resultado como una cadena de texto
+    result_str = "\n".join([f"{class_name}: {prob:.2f}%" for class_name, prob in results.items()])
+    return result_str
+
+# Crear la interfaz de Gradio
+interface = gr.Interface(
+    fn=predict_image,  # Función que realiza la predicción
+    inputs=gr.Image(type="filepath", label="Sube una imagen"),  # Entrada: imagen
+    outputs=gr.Textbox(label="Probabilidades"),  # Salida: texto con las probabilidades
+    title="Clasificador de imágenes CIFAR-10",
+    description="Sube una imagen de un avión, automóvil o pájaro para ver las probabilidades de cada clase."
+)
+
+# Lanzar la aplicación
+interface.launch()

requirements.txt

@@ -0,0 +1,5 @@
+tensorflow
+gradio
+numpy
+Pillow
+matplotlib