Initial deploy of FastAPI app with TensorFlow model

Dockerfile

@@ -0,0 +1,17 @@
+# Gunakan base image Python yang sesuai. TensorFlow sering membutuhkan versi Python tertentu.
+FROM python:3.9-slim-buster
+
+# Set direktori kerja di dalam container
+WORKDIR /app
+
+# Salin file requirements.txt dan install dependensi
+COPY requirements.txt .
+RUN pip install --no-cache-dir -r requirements.txt
+
+# Salin seluruh isi proyek Anda ke dalam container
+# Ini akan menyalin main.py dan folder models/ beserta isinya
+COPY . .
+
+# Komando untuk menjalankan aplikasi Uvicorn Anda
+# Penting: Hugging Face Spaces menggunakan port 7860 secara default
+CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "7860"]

main.py

@@ -0,0 +1,83 @@
+from fastapi import FastAPI, File, UploadFile, HTTPException
+from fastapi.responses import JSONResponse
+from typing import List
+from io import BytesIO
+from PIL import Image
+import numpy as np
+import tensorflow as tf
+from fastapi.middleware.cors import CORSMiddleware
+
+# Inisialisasi aplikasi FastAPI
+app = FastAPI()
+app.add_middleware(
+    CORSMiddleware,
+    allow_origins=["https://trash-scan-fe.vercel.app/"],  # Gantilah dengan URL frontend Anda
+    allow_credentials=True,
+    allow_methods=["*"],
+    allow_headers=["*"],
+)
+
+# Muat model yang sudah dilatih sebelumnya
+MODEL_PATH = "models/model.h5"  # Ganti dengan path model Anda
+try:
+    model = tf.keras.models.load_model(MODEL_PATH)
+except Exception as e:
+    raise RuntimeError(f"Gagal memuat model: {e}")
+
+# Label kelas (sesuaikan dengan model Anda)
+CLASS_NAMES = ["battery", "biological", "clothes", "metal", "plastic"]  # Ganti dengan label model Anda
+
+
+def read_imagefile(file: bytes) -> Image.Image:
+    """Membaca file gambar dari bytes"""
+    try:
+        image = Image.open(BytesIO(file)).convert("RGB")
+        return image
+    except Exception as e:
+        raise HTTPException(status_code=400, detail=f"Gagal membaca file gambar: {e}")
+
+
+def preprocess_image(image: Image.Image, target_size: tuple) -> np.ndarray:
+    """Preproses gambar sesuai dengan kebutuhan model"""
+    image = image.resize(target_size)
+    image_array = np.array(image) / 255.0  # Normalisasi
+    image_array = np.expand_dims(image_array, axis=0)  # Tambahkan batch dimension
+    return image_array
+
+
+@app.post("/predict")
+async def predict_image(file: UploadFile = File(...)):
+    """Endpoint untuk prediksi gambar"""
+    # Tambahkan log awal untuk debugging
+    print(f"File diterima: {file.filename}, Content-Type: {file.content_type}")
+
+    # Validasi tipe file
+    if not file.content_type.startswith("image"):
+        raise HTTPException(status_code=400, detail="File yang diunggah bukan gambar")
+
+    # Baca dan preproses gambar
+    try:
+        image = read_imagefile(await file.read())
+        image_array = preprocess_image(image, target_size=(224, 224))  # Sesuaikan ukuran dengan model Anda
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=f"Gagal memproses gambar: {e}")
+
+    # Lakukan prediksi menggunakan model
+    try:
+        predictions = model.predict(image_array)
+        predicted_class = CLASS_NAMES[np.argmax(predictions)]
+        confidence = float(np.max(predictions))
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=f"Gagal melakukan prediksi: {e}")
+
+    # Kembalikan hasil prediksi
+    return JSONResponse(content={
+        "predicted_class": predicted_class,
+        "confidence": confidence,
+        "filename": file.filename  # Tambahkan informasi nama file untuk debugging
+    })
+
+
+# Jalankan server
+# .venv\Scripts\activate  # Aktifkan virtual environment
+# Gunakan `uvicorn main:app --reload` untuk menjalankan API

models/model.h5

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:340f4cd407a37259fb0cf21b66a8fc51744287de6193da76ccc058904c3c5d55
+size 9475672

requirements.txt

@@ -0,0 +1,4 @@
+fastapi
+uvicorn
+tensorflow
+Pillow