update app

app.py

@@ -3,21 +3,29 @@ import tensorflow as tf
 from PIL import Image
 import numpy as np
 
+# Laden des Modells
 model_path = "brain_classification.keras"
 model = tf.keras.models.load_model(model_path)
 
+# Klassenlabels
 labels = ['glioma_tumor', 'meningioma_tumor', 'no_tumor', 'pituitary_tumor']
 
-def predict_image(image):
-    # Bild vorverarbeiten
+# Bildvorverarbeitung
+def preprocess_image(image):
     image = Image.fromarray(image.astype('uint8'))  # Konvertierung des Numpy-Arrays in ein PIL-Bild
-    image = image.resize((224, 224))  # Bildgröße anpassen auf 112x112 Pixel
-    image = np.array(image) / 255.0   # In Float konvertieren und normalisieren
+    image = image.resize((224, 224))  # Bildgröße anpassen auf 224x224 Pixel
+    image = np.array(image) / 127.5 - 1.0  # In Float konvertieren und normalisieren auf [-1, 1]
 
     # Sicherstellen, dass das Bild 3 Farbkanäle hat
     if image.ndim == 2:  # Wenn das Bild grau ist, in RGB konvertieren
         image = np.stack((image,)*3, axis=-1)
 
+    return image
+
+# Vorhersagefunktion
+def predict_image(image):
+    image = preprocess_image(image)  # Verwende die aktualisierte Vorverarbeitung
+
     # Vorhersage
     prediction = model.predict(image[None, ...])  # Batch-Dimension hinzufügen
     confidences = {labels[i]: float(prediction[0][i]) for i in range(len(labels))}
@@ -31,9 +39,9 @@ iface = gr.Interface(
     fn=predict_image,
     inputs=input_image, 
     outputs=gr.Label(),
-    title="Brain tumor classification",
-    examples=[],  # Ensure this is not a directory path
+    title="Brain Tumor Classification",
     description="Please upload an image of your MRI brain scan. The model will classify if you've got a tumor or not. Who needs a radiologist anyway?"
 )
 
+# Starten der Gradio-Oberfläche
 iface.launch(share=True)