Update app.py

app.py

@@ -1,45 +1,49 @@
-import gradio as gr
-import numpy as np
-from tensorflow.keras.preprocessing.image import img_to_array
-from tensorflow.keras.models import load_model
-from PIL import Image, ImageOps
 import json
+from tensorflow.keras.models import load_model
+from tensorflow.keras.preprocessing.image import img_to_array
+from PIL import ImageOps, Image
+import numpy as np
+import gradio as gr
 
-# Constantes (mantém IMG_SIZE, CLASS_ORDER, etc)
-IMG_SIZE    = (224, 224)
-CLASS_ORDER = sorted(['Healthy','Leaf Blight','Black Rot','ESCA'])  
-# → ['Black Rot','ESCA','Healthy','Leaf Blight']
+# ——————————————————————
+# 1) CARREGA O MAPEAMENTO EXATO de classes
+# no teu treino, geraste um label_map.json com:
+#   json.dump(enc.classes_.tolist(), open("label_map.json","w"))
+# subiste esse label_map.json junto do modelo
+CLASS_ORDER = json.load(open("label_map.json"))
 
-model = load_model("cropvision_model.keras")
+# ——————————————————————
+# 2) PRÉ-PROCESSAMENTO robusto para fotos de telemóvel
+IMG_SIZE  = (224, 224)
+MODEL_PATH= "cropvision_model.keras"
+model = load_model(MODEL_PATH)
 
 def predict(image: Image.Image):
-    # pré-processamento robusto
+    # corrige rotação EXIF e faz um crop centrado
     img = ImageOps.exif_transpose(image).convert("RGB")
     img = ImageOps.fit(img, IMG_SIZE, Image.Resampling.LANCZOS)
 
-    # inferência
-    arr   = img_to_array(img) / 255.0
+    # normaliza e infere
+    arr   = img_to_array(img)/255.0
     arr   = np.expand_dims(arr, 0)
-    probs = model.predict(arr)[0]         # vetor de 4 probabilidades
+    probs = model.predict(arr)[0]
 
-    idx   = int(np.argmax(probs))
-    cls   = CLASS_ORDER[idx]
-    # mapeamento label → probabilidade
-    mapping = {label: float(probs[i]) for i,label in enumerate(CLASS_ORDER)}
-
-    # devolve (rótulo, JSON-formatado das probabilidades)
-    return cls, json.dumps(mapping, indent=2)
+    # escolhe a classe e devolve também todas as probabilidades
+    idx     = int(np.argmax(probs))
+    label   = CLASS_ORDER[idx]
+    mapping = {CLASS_ORDER[i]: float(probs[i]) for i in range(len(probs))}
 
+    return label, f"{mapping}"
+    
+# ——————————————————————
+# 3) Gradio UI
 demo = gr.Interface(
     fn=predict,
-    inputs=gr.Image(type="pil", label="Carrega uma folha"),
-    outputs=[
-      gr.Textbox(label="Classe predita"),
-      gr.Code(label="Probabilidades (label:valor)")
-    ],
-    title="CropVision – classificação de folhas",
-    description="Healthy / Leaf Blight / Black Rot / ESCA"
+    inputs=gr.Image(type="pil", label="Carrega folha"),
+    outputs=[gr.Textbox(label="Classe"), gr.Code(label="Probabilidades")],
+    title="CropVision"
 )
 
-if __name__ == "__main__":
+if __name__=="__main__":
     demo.launch()
+