Upload 3 files

README.md

@@ -1,8 +1,6 @@
-# Corrosion Classifier Space
-
-1. ---
+---
 title: Corrosion Classifier
-emoji: 🛠️
+emoji: 🧪
 colorFrom: indigo
 colorTo: blue
 sdk: gradio
@@ -13,10 +11,10 @@ pinned: false
 
 # Corrosion Classifier Space
 
-Questo Space usa un modello ResNet50 addestrato per classificare immagini di corrosione.
-Carica un’immagine e ottieni label + confidence.
+Questo Space usa un modello ResNet50 per classificare immagini di corrosione.
+Carica un’immagine e ottieni **label** + **confidence**.
 
-Classi supportate:
+**Classi**:
 - crevice_corrosion
 - erosion_corrosion
 - galvanic_corrosion
@@ -26,3 +24,7 @@ Classi supportate:
 - stress_corrosion
 - under_insulation_corrosion
 - uniform_corrosion
+
+## Avvio
+- Assicurati che il file del modello `resnet50-corrosion-classifier-v1.pth` sia nella root dello Space.
+- Requisiti: vedi `requirements.txt`.

app.py

@@ -4,13 +4,9 @@ import torch
 import torchvision.transforms as T
 import torchvision.models as models
 
-# Carica il modello
-# Assumi che il file .pth sia nella root dello Space
 MODEL_PATH = "resnet50-corrosion-classifier-v1.pth"
 
-# Mappa etichette (sostituisci con le tue classi)
-
-    IDX2LABEL = {
+IDX2LABEL = {
     0: "crevice_corrosion",
     1: "erosion_corrosion",
     2: "galvanic_corrosion",
@@ -50,7 +46,7 @@ def predict(image: Image.Image):
         logits = model(x)
         probs = torch.softmax(logits, dim=1).cpu().numpy()[0]
     idx = int(probs.argmax())
-    label = IDX2LABEL.get(idx, str(idx))
+    label = IDX2LABEL.get(idx, f"class_{idx}")
     confidence = float(probs[idx])
     return {"label": label, "confidence": confidence}
 
@@ -62,7 +58,6 @@ demo = gr.Interface(
     description="Restituisce label e confidence per l'immagine"
 )
 
-# Abilita API chiamabile
 demo.api_mode = "enabled"
 
 if __name__ == "__main__":