Update app.py

app.py

@@ -34,7 +34,7 @@ def predict_image(img):
     category_pred, price_pred = model.predict(img_array)
 
     # Décoder la catégorie
-    category_pred_class = np.argmax(category_pred, axis=1)[0]
+    category_pred_class = np.argmax(category_pred, axis=1)[0]  # La classe avec la plus haute probabilité
     category_name = label_encoder.inverse_transform([category_pred_class])[0]
 
     # Trouver les sous-catégories correspondantes
@@ -44,16 +44,13 @@ def predict_image(img):
     results = {
         "Category": category_name,
         "Price ($)": f"{price_pred[0][0]:.2f}",
-        "Subcategories": subcategories
+        "Subcategories": ", ".join(subcategories) if subcategories else "No subcategories"
     }
     return results
 
 # Charger le modèle pré-entraîné
-# Assurez-vous que le chemin du modèle et de l'encodeur sont corrects
 model = tf.keras.models.load_model('trained_model.h5', custom_objects={'mse': MeanSquaredError()})
 
-#label_encoder = LabelEncoder()
-#label_encoder.classes_ = np.load('path_to_label_encoder_classes.npy')
 
 # Interface Gradio
 interface = gr.Interface(