Initial commit: Menambahkan model klasifikasi wajah dan aplikasi Gradio

.gitattributes

@@ -0,0 +1,3 @@
+*.keras filter=lfs diff=lfs merge=lfs -text
+*.safetensors filter=lfs diff=lfs merge=lfs -text
+*.bin filter=lfs diff=lfs merge=lfs -text

app.py

@@ -0,0 +1,99 @@
+import gradio as gr
+import numpy as np
+from PIL import Image
+import tensorflow as tf
+from typing import List, Dict
+
+# 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 ---
+with gr.Blocks(theme=gr.themes.Soft()) as iface:
+    gr.Markdown(
+        """
+        # 🤖 Deteksi Bentuk Wajah (Indonesia)
+        Unggah foto wajah Anda untuk mengetahui bentuknya. Model ini dilatih menggunakan arsitektur EfficientNetB2.
+        Untuk hasil terbaik, gunakan foto di mana wajah terlihat jelas menghadap ke depan.
+        """
+    )
+    with gr.Row():
+        with gr.Column(scale=1):
+            image_input = gr.Image(type="pil", label="Unggah Gambar Wajah")
+            submit_btn = gr.Button("Prediksi Bentuk Wajah", variant="primary")
+        with gr.Column(scale=1):
+            label_output = gr.Label(num_top_classes=3, label="Hasil Prediksi")
+
+    gr.Examples(
+        examples=[
+        ],
+        inputs=image_input,
+        outputs=label_output,
+        fn=predict,
+        cache_examples=True
+    )
+    
+    submit_btn.click(fn=predict, inputs=image_input, outputs=label_output)
+
+if __name__ == "__main__":
+    iface.launch()
+

config.json

@@ -0,0 +1,18 @@
+{
+  "architectures": ["EfficientNetB2"],
+  "image_size": 244,
+  "id2label": {
+    "0": "Heart",
+    "1": "Oblong",
+    "2": "Oval",
+    "3": "Round",
+    "4": "Square"
+  },
+  "label2id": {
+    "Heart": 0,
+    "Oblong": 1,
+    "Oval": 2,
+    "Round": 3,
+    "Square": 4
+  }
+}

inference.py

@@ -0,0 +1,59 @@
+import numpy as np
+from PIL import Image
+import tensorflow as tf
+from typing import List, Dict
+
+LABELS: List[str] = ["Heart", "Oblong", "Oval", "Round", "Square"]
+IMG_SIZE = 244
+
+# Logika untuk mempersiapkan gambar sebelum prediksi
+def preprocess_image(image: Image.Image) -> np.ndarray:
+    """
+    Mengubah ukuran gambar dan melakukan preprocessing yang sesuai untuk EfficientNet.
+    """
+    if image.mode != "RGB":
+        image = image.convert("RGB")
+    
+    image = image.resize((IMG_SIZE, IMG_SIZE))
+    
+    image_array = np.asarray(image)
+    image_array = np.expand_dims(image_array, axis=0)
+    
+    processed_array = tf.keras.applications.efficientnet.preprocess_input(image_array)
+    
+    return processed_array
+
+# Semua logika terkait TensorFlow (memuat dan menjalankan model) ada di sini
+class FaceShapeModel:
+
+    def __init__(self, model_path: str = "models/best_model_antioverfit.keras") -> None:
+        """Memuat model Keras saat kelas diinisialisasi."""
+        try:
+            self.model = tf.keras.models.load_model(model_path, compile=False)
+            print("Model berhasil dimuat dari inference.py.")
+        except Exception as e:
+            print(f"Error saat memuat model di inference.py: {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]
+        
+        confidences = {label: float(score) for label, score in zip(LABELS, preds)}
+        
+        return confidences
+        
+# Inisialisasi model sekali saja
+model_instance = FaceShapeModel()
+
+def predict(image_pil: Image.Image) -> Dict[str, float]:
+    """Fungsi wrapper yang akan dipanggil oleh Gradio dari app.py."""
+    if model_instance:
+        return model_instance.predict_image(image_pil)
+    return {"Error": "Instance model tidak tersedia."}
+

models/best_model_antioverfit.keras

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:9b24b0be88c9acdf9b741bcd62f1140176708f47e99c05d0825e9945090143c5
+size 32294637