Update app.py

app.py

@@ -3,11 +3,12 @@ import numpy as np
 from tensorflow.keras.models import load_model
 from PIL import Image
 
-# Cargar el modelo
-model = load_model('MNIST.h5')  # Asegúrate de que el archivo .h5 esté en el mismo directorio
+# Cargar los modelos
+model_cnn = load_model('MNIST_conv.h5')  # Modelo convolucional
+model_mlp = load_model('MNIST.h5')  # Modelo no convolucional
 
-# Diccionario de etiquetas (ajusta según tus clases)
-labels = {
+# Diccionario de etiquetas para Fashion-MNIST
+class_labels = { 
     0: "Cero",
     1: "Uno",
     2: "Dos",
@@ -30,7 +31,10 @@ def prepare_image(image):
     return image_array
 
 # Título de la aplicación
-st.title("Predicción de Dígitos con Modelo H5")
+st.title("Predicción de Moda con Modelos")
+
+# Selección del modelo
+model_choice = st.selectbox("Selecciona el modelo:", ("Modelo Convolucional", "Modelo No Convolucional"))
 
 # Subida de imagen
 uploaded_file = st.file_uploader("Sube una imagen de 28x28 en escala de grises", type=["png", "jpg", "jpeg"])
@@ -44,12 +48,16 @@ if uploaded_file is not None:
     # Preparar la imagen para la predicción
     prepared_image = prepare_image(image)
 
-    # Realizar la predicción
-    prediction = model.predict(prepared_image)
+    # Realizar la predicción según el modelo seleccionado
+    if model_choice == "Modelo Convolucional":
+        prediction = model_cnn.predict(prepared_image)
+    else:
+        prediction = model_mlp.predict(prepared_image)
+
     predicted_class = np.argmax(prediction, axis=1)[0]  # Obtener la clase con mayor probabilidad
 
     # Obtener la etiqueta correspondiente
-    predicted_label = labels[predicted_class]
+    predicted_label = class_labels[predicted_class]
 
     # Mostrar el resultado
     st.success(f"La predicción es: {predicted_label}")