Update app.py

app.py

@@ -1,55 +1,44 @@
-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
+from PIL import Image
+from transformers import pipeline
 
-# ——————————————————————
-# 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"))
-
-# ——————————————————————
-# 2) PRÉ-PROCESSAMENTO robusto para fotos de telemóvel
-IMG_SIZE  = (224, 224)
-MODEL_PATH= "cropvision_model.keras"
-model = load_model(MODEL_PATH)
-import hashlib, pathlib
-# debug: imprime MD5 e número de parâmetros
-md5 = hashlib.md5(pathlib.Path(MODEL_PATH).read_bytes()).hexdigest()
-print("📝 MD5 do modelo carregado:", md5)
-print("🔢 camadas:", len(model.layers), "-- params:", model.count_params())
+# 1) Cria o classificador zero‐shot com CLIP
+classifier = pipeline(
+    task="zero-shot-image-classification",
+    model="openai/clip-vit-base-patch32"
+)
 
+# 2) Define as labels
+LABELS = ["Healthy", "Leaf Blight", "Black Rot", "ESCA"]
 
 def predict(image: Image.Image):
-    # corrige rotação EXIF e faz um crop centrado
-    img = ImageOps.exif_transpose(image).convert("RGB")
-    img = ImageOps.fit(img, IMG_SIZE, Image.Resampling.LANCZOS)
-
-    # normaliza e infere
-    arr   = img_to_array(img)/255.0
-    arr   = np.expand_dims(arr, 0)
-    probs = model.predict(arr)[0]
-
-    # 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}"
+    # Opcional: corrige EXIF e redimensiona como antes
+    image = image.convert("RGB").resize((224,224))
     
-# ——————————————————————
-# 3) Gradio UI
+    # Zero‐shot classification
+    res = classifier(image, candidate_labels=LABELS)
+    # res é lista de dicts: [{"label":..., "score":...}, ...]
+    
+    # Mapeia para texto ordenado
+    probs = {item["label"]: float(item["score"]) for item in res}
+    # Escolhe o mais provável
+    best = max(probs, key=probs.get)
+    
+    # Formata saída
+    prob_lines = "\n".join(f"{lbl}: {probs[lbl]:.2f}" for lbl in LABELS)
+    return best, prob_lines
+
+# 3) Interface Gradio
 demo = gr.Interface(
     fn=predict,
-    inputs=gr.Image(type="pil", label="Carrega folha"),
-    outputs=[gr.Textbox(label="Classe"), gr.Code(label="Probabilidades")],
-    title="CropVision"
+    inputs=gr.Image(type="pil", label="Carrega a folha"),
+    outputs=[
+      gr.Textbox(label="Classe predita"),
+      gr.Textbox(label="Probabilidades (0–1)")
+    ],
+    title="CropVision (Backup CLIP Zero-Shot)",
+    description="Usa CLIP zero-shot para classificar folhas em Healthy, Leaf Blight, Black Rot ou ESCA"
 )
 
-if __name__=="__main__":
+if __name__ == "__main__":
     demo.launch()
-