Update app.py

app.py

@@ -1,46 +1,50 @@
-import gradio as gr
-import os
-os.environ["KERAS_BACKEND"] = "jax"
-	
-import keras
-
-from huggingface_hub import hf_hub_download
+import streamlit as st
 import tensorflow as tf
+import numpy as np
+from tensorflow.keras.preprocessing import image
+from huggingface_hub import hf_hub_download
 
-# Descargar el modelo .keras desde Hugging Face
-model_path = hf_hub_download(
-    repo_id="imanolcb/basicFruitClassifier",
-    filename="modelo_frutas_transfer.keras",
-    repo_type="model"
-)
-
-# Cargar el modelo localmente
-model = tf.keras.models.load_model(model_path)
-
-
-# Preprocesamiento de las imágenes de entrada
-def preprocess_image(image):
-    image = image.resize((150, 150))  # Redimensionar la imagen a la entrada del modelo
-    image = tf.convert_to_tensor(image)
-    image = tf.cast(image, tf.float32) / 255.0  # Normalización
-    return tf.expand_dims(image, axis=0)  # Añadir una dimensión extra para el batch
-
-# Función para hacer predicciones
-def predict(image):
-    processed_image = preprocess_image(image)  # Preprocesar la imagen
-    predictions = model.predict(processed_image)
-    class_names = ['apple', 'banana', 'orange']  # Las clases que usaste para el entrenamiento
-    predicted_class = class_names[tf.argmax(predictions, axis=1).numpy()[0]]
+# Cargar el modelo desde Hugging Face
+@st.cache_resource  # Usamos cache para no cargar el modelo en cada interacción
+def load_model():
+    model_path = hf_hub_download(repo_id="imanolcb/basicFruitClassifier", filename="modelo_frutas_transfer.keras")
+    model = tf.keras.models.load_model(model_path)
+    return model
+
+# Cargar el modelo
+model = load_model()
+
+# Título de la app
+st.title('Clasificador de Frutas')
+st.write('Sube una imagen de una fruta y el modelo predecirá qué fruta es.')
+
+# Cargar imagen
+uploaded_image = st.file_uploader("Elige una imagen", type=['jpg', 'png', 'jpeg'])
+
+# Función para preprocesar la imagen y hacer la 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)
     return predicted_class
 
-# Crear la interfaz de usuario con Gradio
-iface = gr.Interface(
-    fn=predict, 
-    inputs=gr.inputs.Image(type="pil"),  # Tipo de entrada: imagen
-    outputs="text",  # Salida: texto (la clase predicha)
-    title="Fruit Classifier",  # Título
-    description="Clasificador de frutas usando un modelo CNN entrenado desde cero.",  # Descripción
-)
-
-# Ejecutar la aplicación
-iface.launch()
+# Si se carga una imagen
+if uploaded_image is not None:
+    st.image(uploaded_image, caption='Imagen cargada', use_column_width=True)
+    st.write("")
+    
+    # Predecir la clase de la imagen
+    predicted_class = predict_image(uploaded_image)
+    
+    # Mostrar el resultado
+    st.write(f'Predicción de la clase: {predicted_class}')
+