Update app.py

app.py

@@ -4,48 +4,56 @@ import numpy as np
 from PIL import Image
 from tensorflow.keras.applications.efficientnet import preprocess_input
 
-# Đường dẫn model SavedModel
+# ============================
+# Load TensorFlow SavedModel
+# ============================
 MODEL_PATH = "exported_model"
 IMG_SIZE = (224, 224)
-CLASS_NAMES = ['bad', 'good', 'very_good']
+CLASS_NAMES = ["bad", "good", "very_good"]
 
-# Load model
+print("🔄 Loading SavedModel…")
 model = tf.saved_model.load(MODEL_PATH)
-
 infer = model.signatures["serving_default"]
+print("✅ Model loaded!")
+
 
-def predict_guava_quality(img_input):
-    if img_input is None:
-        return "❌ Vui lòng tải ảnh", 0.0
+# ============================
+# Prediction Function
+# ============================
+def predict_guava_quality(image):
+    if image is None:
+        return "❌ Vui lòng tải ảnh!", 0.0
 
-    # Convert image
-    img = Image.fromarray(img_input).convert("RGB")
+    img = Image.fromarray(image).convert("RGB")
     img = img.resize(IMG_SIZE)
 
     arr = np.array(img).astype("float32")
     arr = preprocess_input(arr)
     arr = np.expand_dims(arr, axis=0)
 
-    # TensorFlow serving
     outputs = infer(tf.constant(arr))
     preds = list(outputs.values())[0].numpy()[0]
 
     idx = np.argmax(preds)
-    confidence = preds[idx]
+    confidence = float(preds[idx])
     label = CLASS_NAMES[idx]
 
-    return f"✅ Kết quả: {label}", float(confidence)
+    return f"🍈 {label}", confidence
+
 
+# ============================
+# Gradio UI
+# ============================
 demo = gr.Interface(
     fn=predict_guava_quality,
-    inputs=gr.Image(type="numpy", label="Tải ảnh Quả Ổi"),
+    inputs=gr.Image(type="numpy", label="Tải ảnh Ổi"),
     outputs=[
-        gr.Textbox(label="Dự đoán"),
-        gr.Number(label="Độ tin cậy (%)", precision=4)
+        gr.Textbox(label="Kết quả dự đoán"),
+        gr.Number(label="Độ tin cậy (0–1)")
     ],
-    title="Phân loại chất lượng Ổi",
-    description="Model EfficientNetB0 | very_good / good / bad"
+    title="Guava Quality Classifier",
+    description="Phân loại chất lượng quả Ổi: very_good / good / bad"
 )
 
 if __name__ == "__main__":
-    demo.launch(server_name="0.0.0.0", server_port=7860, ssr_mode=False)
+    demo.launch()