Create app.py

app.py

@@ -0,0 +1,104 @@
+from keras.models import load_model
+from PIL import Image, ImageOps
+import numpy as np
+import gradio as gr
+import pandas as pd
+
+data = pd.read_csv('species_info.csv')
+
+def format_label(label):
+  """
+  From '0 rùa khác\n' to 'rùa khác'
+  """
+  return label[label.find(" ")+1:-1]
+
+def check_species_status(species_name):
+  status = ''
+
+  return status
+
+def info(species_name):
+  status = check_species_status(species_name)
+  if status == '':
+    info = ''
+  return info
+
+def get_vi_name(en_name):
+  """
+  Return name in Vietnamese
+  """
+  print(en_name)
+  return data[data['en_name'] == en_name]['vi_name'].to_list()[0]
+
+def get_law(en_name):
+  cites = data[data['en_name'] == en_name]['CITES'].to_list()[0]
+  nd06 = data[data['en_name'] == en_name]['ND06'].to_list()[0]
+  return cites, nd06
+
+def get_habitat(en_name):
+  return data[data['en_name'] == en_name]['habitat'].to_list()[0]
+  
+def predict(image):
+
+  # Load the model
+  model = load_model('keras_model.h5')
+
+  # Create the array of the right shape to feed into the keras model
+  # The 'length' or number of images you can put into the array is
+  # determined by the first position in the shape tuple, in this case 1.
+  data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32)
+  
+  #resize the image to a 224x224 with the same strategy as in TM2:
+  #resizing the image to be at least 224x224 and then cropping from the center
+  size = (224, 224)
+  image = ImageOps.fit(image, size, Image.ANTIALIAS)
+
+  #turn the image into a numpy array
+  image_array = np.asarray(image)
+  # Normalize the image
+  normalized_image_array = (image_array.astype(np.float32) / 127.0) - 1
+  # Load the image into the array
+  data[0] = normalized_image_array
+
+  # run the inference
+  pred = model.predict(data)
+  pred = pred.tolist()
+
+  with open('labels.txt','r') as f:
+    labels = f.readlines()
+  
+  en_name = format_label(labels[pred.index(max(pred))]).strip()
+
+  result = {get_vi_name(format_label(labels[i])): round(pred[0][i],2) for i in range(len(pred[0]))}
+  cites, nd06 = get_law(en_name)
+  info = ""
+  if str(nd06) != "":
+    info += f'CITES: {cites}, NĐ06: {nd06} \n \n'
+    info += "Đây là loài được pháp luật bảo vệ. Mọi hành vi buôn bán, nuôi nhốt không có \
+    [giấy phép](https://thuvienphapluat.vn/van-ban/Tai-nguyen-Moi-truong/Nghi-dinh-06-2019-ND-CP-quan-ly-thuc-vat-rung-dong-vat-rung-nguy-cap-quy-hiem-405883.aspx) đều vi phạm pháp luật \n"
+    info += "- Nếu bạn vô tình bắt gặp loài này bị buôn bán mà không có giấy phép, \
+     tuyệt đối không mua nhằm bất kỳ mục đích gì (ví dụ để phóng sinh) \
+     mà nên báo cáo vi phạm tại đường dây nóng bảo vệ DVHD của ENV **1800-1522**. \n"
+    info += "- Nếu bạn đang nuôi thì nên giao nộp cho cơ quan chức năng để trả về tự nhiên. Tham khảo đơn vị tiếp nhận DVHD ở địa phương \
+    bạn tại [đây](https://drive.google.com/file/d/1K2ZWcHKGEsNudh_LtHgHJOXlVw-GQ6AZ/view). \n"
+    info += f"- Nếu bạn bắt gặp trong vườn nhà thì có thể xem xét thả chúng về môi trường sống. Hãy đảm bảo nơi bạn thả là\
+     **{get_habitat(en_name)}**."
+  
+  return result, info
+  
+  
+description="""
+VNTurtle nhận diện các loài rùa Việt Nam. Mô hình mẫu này có thể nhận diện 10 loại rùa thường xuất hiện ở VN gồm **5** loài bản địa
+**(1) Rùa núi viền**, **(2) Rùa núi vàng**, **(3) Rùa ba gờ**, **(4) Rùa răng**, và **(5) Rùa sa nhân**, 
+và **5** loài ngoại lai **(1) Rùa Sulcata**, **(2) Rùa bản đồ**, **(3) Rùa cá sấu**, **(4) Rùa tai đỏ**, và **(5) Rùa ninja**
+"""
+article = "© Hình ảnh minh hoạ được cung cấp bởi ATP"
+examples = [ ['test1.jpg'], ['test2.jpg'], ['test3.jpg']  ]
+gr.Interface(fn=predict, 
+             inputs=gr.Image(type="pil", label="Input Image"),
+             outputs=[gr.Label(label="Predictions"), gr.Markdown()],
+             live=True,
+             title='VNTurtle - Toy Model',
+             description=description,
+             examples=examples,
+             article=article).launch()