Upload app.py

app.py

@@ -0,0 +1,56 @@
+import gradio as gr
+import tensorflow as tf
+import numpy as np
+from tensorflow.keras.applications.efficientnet import preprocess_input
+from PIL import Image
+
+# 1. Định nghĩa hằng số
+MODEL_PATH = "best_model.h5" # Tên file mô hình đã upload
+IMG_SIZE = (224, 224)
+CLASS_NAMES = ['bad', 'good', 'very_good'] # Dùng list cứng nếu không muốn dùng pickle
+
+# 2. Tải mô hình
+# Sử dụng try/except để xử lý lỗi nếu model.h5 quá lớn
+try:
+    model = tf.keras.models.load_model(MODEL_PATH)
+except Exception as e:
+    # Nếu mô hình không tải được (ví dụ: lỗi cấu trúc), in ra lỗi
+    print(f"Lỗi tải mô hình: {e}")
+    model = None
+
+def predict_guava_quality(img_input):
+    if model is None:
+        return "❌ Lỗi: Không thể tải mô hình.", 0.0
+
+    # Chuyển đổi từ numpy array của Gradio sang PIL Image và resize
+    img_pil = Image.fromarray(img_input).convert("RGB")
+    img_resized = img_pil.resize(IMG_SIZE)
+    
+    # Preprocess
+    arr = np.array(img_resized).astype("float32")
+    arr = preprocess_input(arr)
+    arr = np.expand_dims(arr, 0) # Thêm dimension batch size
+
+    # Dự đoán
+    preds = model.predict(arr)[0]
+    idx = np.argmax(preds)
+    confidence = preds[idx]
+    label = CLASS_NAMES[idx]
+
+    # Trả về kết quả
+    return f"✅ Kết quả: {label}", float(confidence)
+
+# 3. Định nghĩa giao diện Gradio
+demo = gr.Interface(
+    fn=predict_guava_quality,
+    inputs=gr.Image(type="numpy", label="Tải ảnh Quả Ổi"),
+    outputs=[
+        gr.Textbox(label="Dự đoán"),
+        gr.Number(label="Độ tin cậy (%)", precision=2)
+    ],
+    title="Phân loại Chất lượng Quả Ổi (EfficientNetB0)",
+    description="Tải lên ảnh quả ổi để phân loại thành: Hàng xuất khẩu (very_good), Hàng nội địa (good), hoặc Loại bỏ (bad)."
+)
+
+# 4. Chạy Gradio App (Hugging Face Spaces sẽ tự gọi file này)
+# demo.launch()