app.py

import os
import random
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing.image import load_img, img_to_array
#Загружаем модель
loaded_model = load_model('E:/Python/AutokerasOUT/image_classifier/best_model', custom_objects=ak.CUSTOM_OBJECTS)
# Загружаем label_encoder
with open('C:/Users/filim/Python/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]
    prediction=translator(decoded_class)
    return prediction

interface = gr.Interface(
  fn=predict,
  inputs=gr.Image(),
  outputs=gr.Textbox(label="Предсказанный класс"),
  title="Нейронная сеть для классификации брака на металлопрокате"
)

interface.launch()