Update app.py

app.py

@@ -1,18 +1,25 @@
-import gradio as gr
-import numpy as np
-import tensorflow as tf
+from fastapi import FastAPI, File, UploadFile, HTTPException
+from fastapi.middleware.cors import CORSMiddleware
 from tensorflow.keras.models import load_model
-from tensorflow.keras.preprocessing import image # Perhatikan, ini mungkin tidak diperlukan jika menggunakan PIL Image langsung
+import numpy as np
 from PIL import Image
-from io import BytesIO
-import os # Tambahkan ini untuk manajemen path file
+import io
+import os
+
+app = FastAPI()
+
+# Untuk mengizinkan akses dari frontend kamu (misal domain lain)
+app.add_middleware(
+    CORSMiddleware,
+    allow_origins=["*"],  # Ganti dengan domain frontend-mu kalau sudah pasti
+    allow_credentials=True,
+    allow_methods=["*"],
+    allow_headers=["*"],
+)
 
-# 1. Konstanta dan Pemuatan Model (di luar fungsi)
-#    Pemuatan model harus dilakukan sekali saat aplikasi dimulai
 MODEL_PATH = 'model_cnn.h5'
 IMG_HEIGHT = 224
 IMG_WIDTH = 224
-
 class_names = [
     'freshapples', 'freshbanana', 'freshbittergroud', 'freshcapsicum', 'freshcucumber',
     'freshokra', 'freshoranges', 'freshpotato', 'freshtomato',
@@ -20,63 +27,33 @@ class_names = [
     'rottenokra', 'rottenoranges', 'rottenpotato', 'rottentomato'
 ]
 
-# Pastikan path model benar, gunakan os.path.join untuk robustness
 try:
-    # os.getcwd() akan mengembalikan direktori kerja saat ini di lingkungan Space
     full_model_path = os.path.join(os.getcwd(), MODEL_PATH)
     model = load_model(full_model_path)
     print(f"Model loaded successfully from: {full_model_path}")
 except Exception as e:
-    print(f"Error loading model from {full_model_path}: {e}")
-    # Jika model gagal dimuat, aplikasi tidak bisa berjalan.
-    # Disarankan untuk mengeluarkan error agar build gagal jika ini terjadi
+    print(f"Error loading model: {e}")
     raise RuntimeError(f"Failed to load model: {e}")
 
-
-# 2. Fungsi Prediksi untuk Gradio
-#    Gradio akan melewatkan input gambar dalam format numpy array jika Anda menggunakan gr.Image(type="numpy")
-#    atau sebagai path string jika Anda menggunakan gr.Image(type="filepath").
-#    Saya sarankan type="numpy" karena lebih mudah diproses langsung.
-def predict_image_gradio(input_image_numpy_array):
-    if input_image_numpy_array is None:
-        return "Mohon unggah gambar."
-
+@app.post("/predict")
+async def predict_image(file: UploadFile = File(...)):
     try:
-        # Konversi numpy array yang diberikan Gradio ke PIL Image
-        img = Image.fromarray(input_image_numpy_array.astype('uint8'), 'RGB')
-
-        # Lakukan pre-processing seperti yang Anda lakukan di FastAPI
-        img = img.resize((IMG_WIDTH, IMG_HEIGHT))
-        img_array = np.array(img) # Konversi kembali ke numpy array
-        img_array = np.expand_dims(img_array, axis=0) # Tambahkan batch dimension
+        contents = await file.read()
+        image_pil = Image.open(io.BytesIO(contents)).convert("RGB")
+        image_pil = image_pil.resize((IMG_WIDTH, IMG_HEIGHT))
+        img_array = np.array(image_pil)
+        img_array = np.expand_dims(img_array, axis=0)
 
-        # Lakukan prediksi
         prediction = model.predict(img_array)
-
-        # Post-processing hasil
         predicted_class_index = np.argmax(prediction[0])
         confidence = float(prediction[0][predicted_class_index]) * 100
         pred_class_name = class_names[predicted_class_index]
 
-        # Format output untuk Gradio (string teks)
-        return f"Hasil Klasifikasi: {pred_class_name}\nTingkat Kepercayaan: {confidence:.2f}%"
-
+        return {
+            "title": pred_class_name,
+            "confidence": f"{confidence:.2f}",
+            "message": f"Prediksi: {pred_class_name} dengan kepercayaan {confidence:.2f}%",
+            "details": []
+        }
     except Exception as e:
-        return f"Terjadi kesalahan saat memproses gambar: {str(e)}"
-
-# 3. Definisikan Antarmuka Gradio
-#    Pastikan 'inputs' dan 'outputs' sesuai dengan fungsi 'predict_image_gradio'
-iface = gr.Interface(
-    fn=predict_image_gradio,
-    inputs=gr.Image(type="numpy", label="Unggah Gambar Makanan"), # Gradio akan memberikan numpy array dari gambar
-    outputs=gr.Textbox(label="Prediksi"), # Output berupa teks
-    title="Demo Deteksi Kesegaran Makanan dengan CNN",
-    description="Unggah gambar apel, pisang, pare, paprika, timun, bendi, jeruk, kentang, atau tomat untuk memprediksi kesegarannya (segar atau busuk)."
-)
-
-# 4. Luncurkan Aplikasi Gradio (tanpa if __name__ == "__main__":)
-iface.launch()
-
-# Komentar atau hapus semua kode FastAPI sebelumnya (dari `app = FastAPI()` hingga bawah)
-# Hapus juga import FastAPI, File, UploadFile, JSONResponse, CORSMiddleware
-# karena sudah tidak relevan untuk Gradio.
+        raise HTTPException(status_code=500, detail=f"Error processing image: {str(e)}")