Update app.py

app.py

@@ -16,7 +16,6 @@ print("Tải model và processor thành công!")
 model.eval()
 
 # --- Phần 3: Định nghĩa hàm dự đoán chính ---
-# (Hàm này sẽ được gọi mỗi khi người dùng nhấn nút Submit)
 def predict(image):
     # Dùng processor để xử lý ảnh đầu vào thành định dạng mà mô hình có thể hiểu
     inputs = processor(images=image, return_tensors="pt")
@@ -25,28 +24,18 @@ def predict(image):
     # torch.no_grad() giúp chạy nhanh hơn vì không cần tính toán cho việc training
     with torch.no_grad():
         outputs = model(**inputs)
-    
-    # Lấy ra điểm số thô (logits) từ kết quả của mô hình
     logits = outputs.logits
-    
-    # Tìm ra VỊ TRÍ của giống chó có điểm số (logit) cao nhất
-    predicted_class_idx = logits.argmax(-1).item()
-    
-    # Dùng vị trí đó để tra cứu TÊN THẬT của giống chó trong "cuốn sổ" của mô hình
-    breed_name = model.config.id2label[predicted_class_idx]
-    
-    # Tính toán ĐIỂM TIN CẬY (xác suất) cho giống chó đó
-    # Bằng cách áp dụng hàm softmax rồi lấy ra giá trị tại vị trí đã dự đoán
-    confidence_score = torch.nn.functional.softmax(logits, dim=1)[0][predicted_class_idx].item()
-    
-    # Định dạng kết quả trả về dưới dạng chuỗi văn bản đẹp mắt, ví dụ: "beagle (17.7%)"
-    return f"{breed_name} ({confidence_score:.1%})"
+    probs = torch.nn.functional.softmax(logits,dim=1).squeeze()
+    top_idx = probs.argmax().item()
+    label = model.config.id2lael[top_idx]
+    confidence = probs[top_idx].item()
+    return f"{label} ({round(confidence*100, 1)}%)"
 
 # --- Phần 4: Tạo và khởi chạy giao diện người dùng với Gradio ---
 iface = gr.Interface(
     fn=predict,
     inputs=gr.Image(type="pil", label="Tải ảnh chú chó của bạn lên đây"),
-    outputs=gr.Textbox(label="Kết quả dự đoán"),
+    outputs="text",
     title="AI Nhận Diện Giống Chó 🐶",
     description="Ứng dụng này sử dụng mô hình AI 'Dog-Breed-120' để nhận diện 120 giống chó khác nhau. Hãy thử tải một bức ảnh lên!",
 )