Spaces:
Sleeping
Sleeping
File size: 1,692 Bytes
23fd2ea e5e522f 3a1a35b 68807ee 23fd2ea 7228374 23fd2ea f242043 23fd2ea dbc5ea6 23fd2ea 775a5a1 dbc5ea6 23fd2ea 358323d |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 |
import numpy as np
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing.image import load_img, img_to_array
import autokeras as ak
import pickle
import gradio as gr
import cv2
#Загружаем модель
loaded_model = load_model('best_model.h5', custom_objects=ak.CUSTOM_OBJECTS)
# Загружаем label_encoder
with open('label_encoder.pkl', 'rb') as le_file:
label_encoder = pickle.load(le_file)
def translator(Defect):
translation_dict = {
"Crazing": "Трещины",
"Inclusion": "Вкрапления",
"Patches": "Пятна",
"Pitted": "Рябь",
"Rolled": "Замятие",
"Scratches": "Царапины"
}
return translation_dict.get(Defect)
def predict(loaded_img):
# Изменение размера изображения
img = cv2.resize(loaded_img, (200, 200))
# Добавление измерения пакета
img_array = np.expand_dims(img, axis=0)
# Предсказание класса
prediction = loaded_model.predict(img_array)
predicted_class = np.argmax(prediction)
decoded_class = label_encoder.inverse_transform([predicted_class])[0]
accuracy = round(((np.max(prediction).item())*100),2)
prediction=f"Класс: {translator(decoded_class)} - Точность: {accuracy}%"
return prediction
interface = gr.Interface(
fn=predict,
inputs=gr.Image(label="Загрузите изображение"),
outputs=gr.Textbox(label="Классификация"),
title="Нейронная сеть для классификации брака на металлопрокате"
)
interface.launch(share=True) |