Upload 6 files

.gitattributes

@@ -1 +1 @@
-*.pth filter=lfs diff=lfs merge=lfs -text
+*.pth filter=lfs diff=lfs merge=lfs -text

README.md

@@ -10,7 +10,6 @@ app_file: app.py
 pinned: false
 ---
 
-
 # ResNet34 Corrosion Classifier — Hugging Face Space
 
 Semplice Space Gradio che carica un modello ResNet34 e predice 9 classi di corrosione.
@@ -27,7 +26,7 @@ Semplice Space Gradio che carica un modello ResNet34 e predice 9 classi di corro
 1. Crea una nuova Space su Hugging Face (Gradio + Python).
 2. Carica questi file nella Space.
 3. Aggiungi il tuo file di pesi `resnet34_best.pth` (usa Git LFS se > 50 MB).
-4. (Opzionale) Se il file si chiama diversamente, imposta una variabile d'ambiente `CKPT_PATH`
+4. (Opzionale) Se il file si chiama diversamente, imposta la variabile d'ambiente `CKPT_PATH`
    nelle Settings della Space, oppure modifica `CKPT_PATH` in `app.py`.
 5. Avvia la Space.
 

app.py

@@ -12,14 +12,18 @@ from model import build_model, load_weights
 TITLE = "ResNet34 Corrosion Classifier"
 DESCRIPTION = """
 Carica o scatta una foto. Il modello (ResNet34) restituisce la classe prevista e le probabilità.
-Assicurati di **caricare il file dei pesi** nella repo come `resnet34_best.pth` (o aggiorna il percorso qui sotto).
+Assicurati di caricare il file dei pesi nella repo come `resnet34_best.pth` (o imposta la variabile di ambiente `CKPT_PATH`).
 """
 
-# ====== Config ======
 CKPT_PATH = os.environ.get("CKPT_PATH", "resnet34_best.pth")
 CLASSES_PATH = os.environ.get("CLASSES_PATH", "classes.json")
-DEVICE = "cpu"  # su Spaces CPU per default
+DEVICE = "cpu"
 
+os.environ.setdefault("OMP_NUM_THREADS", "1")
+os.environ.setdefault("MKL_NUM_THREADS", "1")
+
+if not os.path.isfile(CLASSES_PATH):
+    raise FileNotFoundError(f"File classi non trovato: {CLASSES_PATH}")
 with open(CLASSES_PATH, "r", encoding="utf-8") as f:
     IDX2LABEL = json.load(f)
 
@@ -31,36 +35,38 @@ preprocess = transforms.Compose([
                          std=[0.229, 0.224, 0.225]),
 ])
 
-# Lazy load del modello
 _model = None
 def get_model():
     global _model
     if _model is None:
-        model = build_model(num_classes=len(IDX2LABEL))
         if not os.path.isfile(CKPT_PATH):
             raise FileNotFoundError(
-                f\"Checkpoint non trovato: {CKPT_PATH}. Carica i pesi nella Space o imposta CKPT_PATH.\"
+                f"Checkpoint non trovato: {CKPT_PATH}. Carica i pesi nella Space o imposta CKPT_PATH."
             )
+        model = build_model(num_classes=len(IDX2LABEL))
         model = load_weights(model, CKPT_PATH, map_location=DEVICE)
         _model = model
     return _model
 
 def predict(image: Image.Image, topk: int = 5):
-    if image is None:
-        return {"Errore": 1.0}, "Nessuna immagine."
-    model = get_model()
-    model.eval()
-    with torch.no_grad():
-        img = image.convert("RGB")
-        tensor = preprocess(img).unsqueeze(0)
-        logits = model(tensor)
-        probs = F.softmax(logits, dim=1).squeeze(0)
-        topk = min(topk, probs.shape[0])
-        values, indices = torch.topk(probs, k=topk)
-        label_scores = {IDX2LABEL[i.item()]: float(v.item()) for v, i in zip(values, indices)}
-        pred_label = IDX2LABEL[int(torch.argmax(probs).item())]
-        msg = f"Predizione: **{pred_label}**"
-        return label_scores, msg
+    try:
+        if image is None:
+            return {}, "Nessuna immagine."
+        model = get_model()
+        model.eval()
+        with torch.no_grad():
+            img = image.convert("RGB")
+            tensor = preprocess(img).unsqueeze(0)
+            logits = model(tensor)
+            probs = torch.softmax(logits, dim=1).squeeze(0)
+            k = int(min(max(1, topk), probs.shape[0]))
+            values, indices = torch.topk(probs, k=k)
+            label_scores = {IDX2LABEL[i.item()]: float(v.item()) for v, i in zip(values, indices)}
+            pred_label = IDX2LABEL[int(torch.argmax(probs).item())]
+            msg = f"Predizione: **{pred_label}**"
+            return label_scores, msg
+    except Exception as e:
+        return {}, f"Errore durante l'inferenza: {e}"
 
 with gr.Blocks(fill_height=True) as demo:
     gr.Markdown(f"# {TITLE}")
@@ -69,10 +75,10 @@ with gr.Blocks(fill_height=True) as demo:
     with gr.Row():
         with gr.Column(scale=1):
             img_in = gr.Image(type="pil", sources=["upload", "webcam"], label="Immagine")
-            topk = gr.Slider(1, 9, value=5, step=1, label="Top-K")
+            topk = gr.Slider(1, len(IDX2LABEL), value=5, step=1, label="Top-K")
             btn = gr.Button("Analizza immagine")
         with gr.Column(scale=1):
-            lbl = gr.Label(label="Probabilità", num_top_classes=9)
+            lbl = gr.Label(label="Probabilità", num_top_classes=len(IDX2LABEL))
             txt = gr.Markdown()
 
     btn.click(predict, inputs=[img_in, topk], outputs=[lbl, txt])

model.py

@@ -11,12 +11,10 @@ def build_model(num_classes: int) -> nn.Module:
 
 def load_weights(model: nn.Module, ckpt_path: str, map_location="cpu") -> nn.Module:
     state = torch.load(ckpt_path, map_location=map_location)
-    # Support both full state dicts and {'model': state_dict} formats
     if isinstance(state, dict) and "state_dict" in state:
         state = state["state_dict"]
     if isinstance(state, dict) and "model" in state and isinstance(state["model"], dict):
         state = state["model"]
-    # Strip possible 'module.' prefixes
     new_state = {}
     for k, v in state.items():
         if k.startswith("module."):

requirements.txt

@@ -1,5 +1,6 @@
+
 torch>=2.2.0
 torchvision>=0.17.0
 pillow>=10.3.0
 numpy>=1.26.4
-gradio==4.44.1
+gradio==4.44.1