Update app.py

app.py

@@ -2,45 +2,32 @@ import gradio as gr
 import tensorflow as tf
 import numpy as np
 from tensorflow.keras.preprocessing import image
-from huggingface_hub import hf_hub_download
 
-# Cargar el modelo desde Hugging Face Model Hub
+# Cargar el modelo (se asume que el archivo .keras está en el repositorio del Space)
 def load_model():
     return tf.keras.models.load_model("modelo_frutas_transfer.keras")
 
-# Cargar el modelo
 model = load_model()
 
-# Aquí definimos el mapeo de las clases, asegúrate de que las clases estén correctamente ordenadas según tu dataset
-class_names = ['Manzana', 'Banana', 'Naranja', 'Pera', 'Uva']  # Sustituye esto por tus clases reales
+# Lista de clases (ajústala si es necesario)
+class_names = ['Manzana', 'Banana', 'Naranja', 'Pera', 'Uva']
 
-# Función para preprocesar la imagen y hacer la predicción
+# Función de predicción
 def predict_image(image_input):
-    # Cargar y redimensionar la imagen
     img = image.load_img(image_input, target_size=(150, 150))
-
-    # Convertir la imagen a un array y normalizar
     img_array = image.img_to_array(img) / 255.0
     img_array = np.expand_dims(img_array, axis=0)
-
-    # Hacer la predicción
     pred = model.predict(img_array)
-    
-    # Obtener la clase predicha
     predicted_class = np.argmax(pred, axis=1)
-    
-    # Mapear la clase al nombre
-    predicted_class_name = class_names[predicted_class[0]]
-    return predicted_class_name
+    return class_names[predicted_class[0]]
 
-# Interfaz Gradio
+# Interfaz con Gradio
 iface = gr.Interface(
-    fn=predict_image, 
-    inputs=gr.Image(type="file", label="Cargar imagen de fruta"), 
-    outputs=gr.Textbox(label="Predicción de la clase"), 
+    fn=predict_image,
+    inputs=gr.Image(type="file", label="Cargar imagen de fruta"),
+    outputs=gr.Textbox(label="Predicción de la clase"),
     title="Clasificador de Frutas",
     description="Sube una imagen de una fruta y el modelo predecirá qué fruta es."
 )
 
-# Iniciar la interfaz
 iface.launch()