Update app.py

app.py

@@ -1,71 +1,67 @@
-import os
-import numpy as np
-import tensorflow as tf
-from PIL import Image
-import gradio as gr
-import pickle
-
-# Thông số
-IMG_HEIGHT = 64
-IMG_WIDTH = 64
-
-# Load model và label encoder
-model = tf.keras.models.load_model('traffic_sign_model.h5')
-with open('label_encoder.pkl', 'rb') as f:
-    le = pickle.load(f)
-
-def predict_traffic_sign(image):
-    """
-    Hàm dự đoán biển báo giao thông từ ảnh đầu vào
-    """
-    try:
-        # Xử lý ảnh đầu vào
-        img = Image.fromarray(image.astype('uint8')).convert('RGB')
-        img = img.resize((IMG_HEIGHT, IMG_WIDTH))
-        img_array = np.array(img).astype('float32') / 255.0
-        img_array = np.expand_dims(img_array, axis=0)
-        
-        # Dự đoán
-        predictions = model.predict(img_array, verbose=0)
-        predicted_class_idx = np.argmax(predictions[0])
-        confidence = predictions[0][predicted_class_idx]
-        
-        # Lấy tên lớp
-        predicted_class_name = le.inverse_transform([predicted_class_idx])[0]
-        
-        # Tạo dictionary kết quả cho tất cả các lớp
-        results = {}
-        for idx, class_name in enumerate(le.classes_):
-            results[class_name] = float(predictions[0][idx])
-        
-        return results
-    
-    except Exception as e:
-        return {f"Error: {str(e)}": 0.0}
-
-# Tạo Gradio Interface
-demo = gr.Interface(
-    fn=predict_traffic_sign,
-    inputs=gr.Image(label="Tải ảnh biển báo giao thông"),
-    outputs=gr.Label(num_top_classes=5, label="Kết quả dự đoán"),
-    title="🚦 Nhận diện Biển báo Giao thông",
-    description="""
-    **Upload một ảnh biển báo giao thông để nhận diện.**
-    
-    Model CNN được huấn luyện để phân loại các loại biển báo giao thông Việt Nam.
-    
-    📊 Kết quả hiển thị top 5 dự đoán có xác suất cao nhất.
-    """,
-    examples=[
-        # Thêm đường dẫn đến ảnh mẫu trong thư mục examples/
-        # ["examples/stop_sign.jpg"],
-        # ["examples/speed_limit.jpg"],
-    ],
-    theme=gr.themes.Soft(),
-    allow_flagging="never",
-    analytics_enabled=False
-)
-
-# Launch
-if __name__ == "__main__":
-    demo.launch()
+import os
+import numpy as np
+import tensorflow as tf
+from PIL import Image
+import gradio as gr
+import pickle
+
+# Thông số
+IMG_HEIGHT = 64
+IMG_WIDTH = 64
+
+# Load model và label encoder
+model = tf.keras.models.load_model('traffic_sign_model.keras')
+with open('label_encoder.pkl', 'rb') as f:
+    le = pickle.load(f)
+
+def predict_traffic_sign(image):
+    """
+    Hàm dự đoán biển báo giao thông từ ảnh đầu vào
+    """
+    try:
+        # Xử lý ảnh đầu vào
+        img = Image.fromarray(image.astype('uint8')).convert('RGB')
+        img = img.resize((IMG_HEIGHT, IMG_WIDTH))
+        img_array = np.array(img).astype('float32') / 255.0
+        img_array = np.expand_dims(img_array, axis=0)
+        
+        # Dự đoán
+        predictions = model.predict(img_array, verbose=0)
+        predicted_class_idx = np.argmax(predictions[0])
+        confidence = predictions[0][predicted_class_idx]
+        
+        # Lấy tên lớp
+        predicted_class_name = le.inverse_transform([predicted_class_idx])[0]
+        
+        # Tạo dictionary kết quả cho tất cả các lớp
+        results = {}
+        for idx, class_name in enumerate(le.classes_):
+            results[class_name] = float(predictions[0][idx])
+        
+        return results
+    
+    except Exception as e:
+        return {f"Error: {str(e)}": 0.0}
+
+# Tạo Gradio Interface
+demo = gr.Interface(
+    fn=predict_traffic_sign,
+    inputs=gr.Image(label="Tải ảnh biển báo giao thông"),
+    outputs=gr.Label(num_top_classes=5, label="Kết quả dự đoán"),
+    title="🚦 Nhận diện Biển báo Giao thông",
+    description="""
+    **Upload một ảnh biển báo giao thông để nhận diện.**
+    
+    Model CNN được huấn luyện để phân loại các loại biển báo giao thông Việt Nam.
+    
+    📊 Kết quả hiển thị top 5 dự đoán có xác suất cao nhất.
+    """,
+    examples=[
+        # Thêm đường dẫn đến ảnh mẫu trong thư mục examples/
+        # ["examples/stop_sign.jpg"],
+        # ["examples/speed_limit.jpg"],
+    ],
+    theme=gr.themes.Soft(),
+    allow_flagging="never",
+    analytics_enabled=False
+)