dopopull

src/streamlit_app.py

@@ -1,6 +1,7 @@
 import streamlit as st
 import tensorflow as tf
 import numpy as np
+import time
 import tensorflow.keras as keras
 from tensorflow.keras.applications import VGG16
 from tensorflow.keras.layers import Dense, Flatten
@@ -10,16 +11,31 @@ import matplotlib.pyplot as plt
 from sklearn.model_selection import train_test_split
 from sklearn.metrics import confusion_matrix, classification_report
 import seaborn as sns
+from huggingface_hub import HfApi
 import os
 
+# 📌 Percorso della cache
+os.environ["HF_HOME"] = "/app/.cache"
+os.environ["HF_DATASETS_CACHE"] = "/app/.cache"
+HF_TOKEN = os.getenv("HF_TOKEN")
+
+# 📌 Autenticazione Hugging Face
+if HF_TOKEN:
+    api = HfApi()
+    user_info = api.whoami(HF_TOKEN)
+    st.write(f"✅ Autenticato come {user_info.get('name', 'Utente sconosciuto')}")
+else:
+    st.warning("⚠️ Nessun token API trovato! Verifica il Secret nello Space.")
+
 # 📌 Caricamento del dataset
 st.write("🔄 Caricamento di 300 immagini da `tiny-imagenet`...")
 dataset = load_dataset("zh-plus/tiny-imagenet", split="train")
 
 image_list = []
 label_list = []
+
 for i, sample in enumerate(dataset):
-    if i >= 300:
+    if i >= 300:  # Prende solo 300 immagini
         break
     image = tf.image.resize(sample["image"], (64, 64)) / 255.0  # Normalizzazione
     image_list.append(image.numpy())
@@ -38,11 +54,11 @@ st.write(f"📊 **Validation:** {X_val.shape[0]} immagini")
 force_training = st.checkbox("🔄 Rifai il training anche se Silva.h5 esiste")
 
 # 📌 Caricamento o training del modello
-history = None
+history = None  # 🛠 Inizializza history
 
 if os.path.exists("Silva.h5") and not force_training:
     model = load_model("Silva.h5")
-    st.write("✅ Modello `Silva.h5` caricato!")
+    st.write("✅ Modello `Silva.h5` caricato, nessun nuovo training necessario!")
 else:
     st.write("🚀 Training in corso...")
     base_model = VGG16(weights="imagenet", include_top=False, input_shape=(64, 64, 3))
@@ -59,7 +75,7 @@ else:
 
     history = model.fit(X_train, y_train, epochs=10, validation_data=(X_val, y_val))
     model.save("Silva.h5")
-    st.write("✅ Modello salvato!")
+    st.write("✅ Modello salvato come `Silva.h5`!")
 
 # 📌 Calcolo delle metriche sulla validazione
 y_pred_val = np.argmax(model.predict(X_val), axis=1)
@@ -67,33 +83,38 @@ accuracy_val = np.mean(y_pred_val == y_val)
 rmse_val = np.sqrt(np.mean((y_pred_val - y_val) ** 2))
 report_val = classification_report(y_val, y_pred_val, output_dict=True)
 
+recall_val = report_val["weighted avg"]["recall"]
+precision_val = report_val["weighted avg"]["precision"]
+f1_score_val = report_val["weighted avg"]["f1-score"]
+
 st.write(f"📊 **Validation Accuracy:** {accuracy_val:.4f}")
 st.write(f"📊 **Validation RMSE:** {rmse_val:.4f}")
-st.write(f"📊 **Validation F1-Score:** {report_val['weighted avg']['f1-score']:.4f}")
+st.write(f"📊 **Validation Precision:** {precision_val:.4f}")
+st.write(f"📊 **Validation Recall:** {recall_val:.4f}")
+st.write(f"📊 **Validation F1-Score:** {f1_score_val:.4f}")
 
-# 📌 Bottone per generare la matrice di confusione
-if st.button("🔎 Genera matrice di confusione"):
+# 📌 Bottone per generare la matrice di confusione sulla validazione
+if st.button("🔎 Genera matrice di confusione per validazione"):
     conf_matrix_val = confusion_matrix(y_val, y_pred_val)
     fig, ax = plt.subplots(figsize=(10, 7))
     sns.heatmap(conf_matrix_val, annot=True, cmap="Blues", fmt="d", ax=ax)
     st.pyplot(fig)
+    st.write("✅ Matrice di confusione generata!")
 
-# 📌 Grafico per Loss e Accuracy
+# 📌 Grafico per Loss e Accuracy con validazione
 if history is not None:
     fig, ax = plt.subplots(1, 2, figsize=(12, 5))
     ax[0].plot(history.history["loss"], label="Training Loss")
     ax[0].plot(history.history["val_loss"], label="Validation Loss")
     ax[1].plot(history.history["accuracy"], label="Training Accuracy")
     ax[1].plot(history.history["val_accuracy"], label="Validation Accuracy")
+    ax[0].set_title("Loss durante il training e validazione")
+    ax[1].set_title("Accuracy durante il training e validazione")
     ax[0].legend()
     ax[1].legend()
     st.pyplot(fig)
-
-# 📌 Bottone per avviare il test su nuove immagini
-if st.button("🔎 Testa il modello con un'immagine nuova"):
-    st.write("🚀 Avviando il test...")
-    os.system("streamlit run test_model.py")
-
+else:
+    st.warning("⚠️ Nessun training eseguito, impossibile mostrare il grafico!")
 
 # 📌 Bottone per scaricare il modello
 if os.path.exists("Silva.h5"):
@@ -118,3 +139,4 @@ def upload_model():
 st.write("📥 Carica il modello Silva su Hugging Face")
 if st.button("🚀 Carica Silva su Model Store"):
     upload_model()
+