Upload 3 files

app.py

@@ -0,0 +1,45 @@
+import onnxruntime as ort
+from PIL import Image
+import numpy as np
+from torchvision import transforms
+import gradio as gr
+
+# --- 1. Załaduj model ONNX ---
+session = ort.InferenceSession("mnist_resnet18.onnx")
+
+# --- 2. Transformacje obrazu takie jak przy trenowaniu ---
+transform = transforms.Compose([
+    transforms.Grayscale(num_output_channels=3),  # bo ResNet18 oczekuje 3 kanałów
+    transforms.Resize((224, 224)),
+    transforms.ToTensor(),
+    transforms.Normalize([0.485, 0.456, 0.406],
+                         [0.229, 0.224, 0.225])
+])
+
+# --- 3. Funkcja predykcji ---
+def predict(image):
+    """
+    image: PIL.Image
+    zwraca: przewidziana cyfra (0-9)
+    """
+    # transformacja + dodanie batch dimension
+    img_t = transform(image).unsqueeze(0).numpy()
+    
+    # inference ONNX
+    outputs = session.run(None, {"input": img_t})
+    
+    # wybór klasy o największym prawdopodobieństwie
+    pred = int(np.argmax(outputs[0]))
+    return pred
+
+# --- 4. Gradio interface ---
+iface = gr.Interface(
+    fn=predict,
+    inputs=gr.Image(type="pil"),
+    outputs="number",
+    title="MNIST ResNet18 ONNX API",
+    description="Prześlij obraz cyfry 0-9, model ResNet18 (ONNX) zwróci predykcję."
+)
+
+# --- 5. Uruchomienie Space ---
+iface.launch()

mnist_resnet18.onnx

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a8ab4dbd54edbb7c28b7394ded11a98a3846dcdb68362c3fd9b2e5e56a1d792a
+size 44717065

requirements.txt

@@ -0,0 +1,4 @@
+onnx
+onnxruntime
+Pillow
+gradio