Create app.py

app.py

@@ -0,0 +1,41 @@
+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()