fix: inference.py and app.py

app.py

@@ -1,73 +1,7 @@
 import gradio as gr
-import numpy as np
-from PIL import Image
-import tensorflow as tf
-from typing import List, Dict
+from inference import predict 
 
-# Pastikan urutan ini sama persis dengan urutan saat training Anda
-LABELS: List[str] = ["Heart", "Oblong", "Oval", "Round", "Square"]
-IMG_SIZE = 244
-
-# Fungsi ini harus meniru persis apa yang dilakukan `preprocess_input` dari EfficientNet
-def preprocess_image(image: Image.Image) -> np.ndarray:
-    """
-    Mengubah ukuran gambar dan melakukan preprocessing yang sesuai untuk EfficientNet.
-    """
-    # Pastikan gambar dalam format RGB
-    if image.mode != "RGB":
-        image = image.convert("RGB")
-    
-    # Ubah ukuran gambar
-    image = image.resize((IMG_SIZE, IMG_SIZE))
-    
-    # Konversi ke array numpy
-    image_array = np.asarray(image)
-    
-    # Tambahkan dimensi batch
-    image_array = np.expand_dims(image_array, axis=0)
-    
-    # Gunakan fungsi preprocessing bawaan dari EfficientNet
-    # Ini akan menormalisasi piksel ke rentang [-1, 1]
-    processed_array = tf.keras.applications.efficientnet.preprocess_input(image_array)
-    
-    return processed_array
-
-
-# --- 3. Muat Model Anda ---
-class FaceShapeModel:
-    def __init__(self, model_path: str = "best_model_antioverfit.keras") -> None:
-        """Memuat model Keras saat kelas diinisialisasi."""
-        try:
-            # Kita tidak perlu meng-compile model untuk inferensi
-            self.model = tf.keras.models.load_model(model_path, compile=False)
-            print("Model berhasil dimuat.")
-        except Exception as e:
-            print(f"Error saat memuat model: {e}")
-            self.model = None
-
-    def predict_image(self, image: Image.Image) -> Dict[str, float]:
-        """Melakukan prediksi pada satu gambar."""
-        if not self.model:
-            return {"Error": "Model tidak dapat dimuat."}
-            
-        processed_input = preprocess_image(image)
-        
-        preds = self.model.predict(processed_input)[0]
-        
-        # Buat dictionary hasil {label: skor}
-        confidences = {label: float(score) for label, score in zip(LABELS, preds)}
-        
-        return confidences
-
-# Buat instance dari model kita
-model = FaceShapeModel()
-
-def predict(image_pil: Image.Image) -> Dict[str, float]:
-    """Fungsi wrapper yang akan dipanggil oleh Gradio."""
-    return model.predict_image(image_pil)
-
-
-# --- 4. Buat Antarmuka Gradio ---
+# Tema dan tata letak diatur di sini
 with gr.Blocks(theme=gr.themes.Soft()) as iface:
     gr.Markdown(
         """
@@ -83,8 +17,12 @@ with gr.Blocks(theme=gr.themes.Soft()) as iface:
         with gr.Column(scale=1):
             label_output = gr.Label(num_top_classes=3, label="Hasil Prediksi")
 
+    # Bagian untuk menampilkan contoh gambar (opsional)
     gr.Examples(
         examples=[
+            "path/to/example1.jpg",
+            "path/to/example2.jpg",
+            "path/to/example3.jpg"
         ],
         inputs=image_input,
         outputs=label_output,
@@ -92,8 +30,10 @@ with gr.Blocks(theme=gr.themes.Soft()) as iface:
         cache_examples=True
     )
     
+    # Hubungkan tombol "Prediksi" dengan fungsi predict yang sudah diimpor
     submit_btn.click(fn=predict, inputs=image_input, outputs=label_output)
 
+# Luncurkan aplikasi jika file ini dijalankan secara langsung
 if __name__ == "__main__":
     iface.launch()
 

inference.py

@@ -2,11 +2,13 @@ import numpy as np
 from PIL import Image
 import tensorflow as tf
 from typing import List, Dict
+import os 
 
+# --- 1. Konfigurasi Model ---
 LABELS: List[str] = ["Heart", "Oblong", "Oval", "Round", "Square"]
 IMG_SIZE = 244
 
-# Logika untuk mempersiapkan gambar sebelum prediksi
+# --- 2. Fungsi Preprocessing ---
 def preprocess_image(image: Image.Image) -> np.ndarray:
     """
     Mengubah ukuran gambar dan melakukan preprocessing yang sesuai untuk EfficientNet.
@@ -23,11 +25,13 @@ def preprocess_image(image: Image.Image) -> np.ndarray:
     
     return processed_array
 
-# Semua logika terkait TensorFlow (memuat dan menjalankan model) ada di sini
+# --- 3. Kelas untuk Mengelola Model ---
 class FaceShapeModel:
-
-    def __init__(self, model_path: str = "models/best_model_antioverfit.keras") -> None:
+    def __init__(self) -> None:
         """Memuat model Keras saat kelas diinisialisasi."""
+        model_path = os.path.join(os.getcwd(), "models/best_model_antioverfit.keras")
+        print(f"Mencoba memuat model dari path: {model_path}")
+
         try:
             self.model = tf.keras.models.load_model(model_path, compile=False)
             print("Model berhasil dimuat dari inference.py.")
@@ -47,12 +51,12 @@ class FaceShapeModel:
         confidences = {label: float(score) for label, score in zip(LABELS, preds)}
         
         return confidences
-        
-# Inisialisasi model sekali saja
+
+# Buat satu instance dari model kita
 model_instance = FaceShapeModel()
 
 def predict(image_pil: Image.Image) -> Dict[str, float]:
-    """Fungsi wrapper yang akan dipanggil oleh Gradio dari app.py."""
+    """Fungsi wrapper yang akan dipanggil oleh Gradio."""
     if model_instance:
         return model_instance.predict_image(image_pil)
     return {"Error": "Instance model tidak tersedia."}