Update app.py

app.py

@@ -63,18 +63,24 @@ def prepare_image(img):
     return pred_texts, preds
 
 def decode_batch_predictions(pred):
-    # Misalnya, Anda memiliki daftar karakter yang digunakan dalam model OCR
-    characters = "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789"  # Update sesuai dengan karakter yang digunakan
-    pred_texts = []
+    # Daftar karakter yang digunakan dalam model OCR Anda, bisa disesuaikan
+    characters = "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789"  # Sesuaikan dengan karakter model Anda
     
-    for i in range(len(pred)):  # Looping melalui prediksi batch
-        # Pastikan pred[i] adalah array 1D yang berisi nilai-nilai numerik
-        # Gunakan flatten jika pred[i] adalah array 2D atau lebih
-        pred_flat = pred[i].flatten() if isinstance(pred[i], np.ndarray) else pred[i]
+    pred_texts = []
+
+    for i in range(len(pred)):
+        # Ambil hasil prediksi untuk sampel i
+        pred_single = pred[i]
+
+        # Ambil argmax untuk setiap langkah (timesteps) untuk mendapatkan indeks karakter
+        pred_indices = np.argmax(pred_single, axis=-1)
 
-        pred_text = ''.join([characters[int(c)] for c in pred_flat if c != -1])  # Menghindari nilai -1
+        # Gabungkan prediksi menjadi string, menghindari padding (-1)
+        pred_text = ''.join([characters[int(c)] for c in pred_indices if c != -1])
+
+        # Append prediksi teks untuk batch
         pred_texts.append(pred_text)
-    
+
     return pred_texts
     
 def run():