File size: 1,571 Bytes
e4d5725 4c7f0e1 e4d5725 177054a 194d92f e4d5725 177054a 4c7f0e1 177054a 4c7f0e1 e4d5725 177054a 194d92f 4c7f0e1 e4d5725 177054a 2036f09 177054a e4d5725 177054a 4c7f0e1 |
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 |
import gradio as gr
from PIL import Image
import numpy as np
from tensorflow.keras.preprocessing import image as keras_image
from tensorflow.keras.applications.inception_v3 import preprocess_input
from tensorflow.keras.models import load_model
# Lade dein trainiertes Modell
model = load_model('/home/user/app/inceptionv3.h5') # Stelle sicher, dass dieser Pfad korrekt ist
def predict_character(img):
img = Image.fromarray(img.astype('uint8'), 'RGB') # Stelle sicher, dass das Bild im RGB-Format vorliegt
img = img.resize((299, 299)) # Größe des Bildes anpassen für InceptionV3
img_array = keras_image.img_to_array(img) # Bild in ein Array umwandeln
img_array = np.expand_dims(img_array, axis=0) # Dimensionen erweitern, um dem Model-Input zu entsprechen
img_array = preprocess_input(img_array) # Input für InceptionV3 vorverarbeiten
prediction = model.predict(img_array) # Vorhersage mit dem Modell
classes = ['AttackonTitan', 'DragonBall', 'Tsubasa'] # Spezifische Charakter-Namen
return {classes[i]: float(prediction[0][i]) for i in range(3)} # Vorhersage zurückgeben
# Definiere das Gradio-Interface
interface = gr.Interface(fn=predict_character,
inputs="image", # Vereinfachter Eingabetyp
outputs="label", # Vereinfachter Ausgabetyp
title="One Piece Classifier",
description="Lade ein Bild eines OP-Charakters hoch und der Klassifikator wird den Namen vorhersagen.")
# Starte das Interface
interface.launch() |