dopopull

src/streamlit_app.py

@@ -1,7 +1,6 @@
 import streamlit as st
 import tensorflow as tf
 import numpy as np
-import time
 import tensorflow.keras as keras
 from tensorflow.keras.applications import VGG16
 from tensorflow.keras.layers import Dense, Flatten
@@ -11,31 +10,16 @@ import matplotlib.pyplot as plt
 from sklearn.model_selection import train_test_split
 from sklearn.metrics import confusion_matrix, classification_report
 import seaborn as sns
-from huggingface_hub import HfApi
 import os
 
-# 📌 Percorso della cache
-os.environ["HF_HOME"] = "/app/.cache"
-os.environ["HF_DATASETS_CACHE"] = "/app/.cache"
-HF_TOKEN = os.getenv("HF_TOKEN")
-
-# 📌 Autenticazione Hugging Face
-if HF_TOKEN:
-    api = HfApi()
-    user_info = api.whoami(HF_TOKEN)
-    st.write(f"✅ Autenticato come {user_info.get('name', 'Utente sconosciuto')}")
-else:
-    st.warning("⚠️ Nessun token API trovato! Verifica il Secret nello Space.")
-
 # 📌 Caricamento del dataset
 st.write("🔄 Caricamento di 300 immagini da `tiny-imagenet`...")
 dataset = load_dataset("zh-plus/tiny-imagenet", split="train")
 
 image_list = []
 label_list = []
-
 for i, sample in enumerate(dataset):
-    if i >= 300:  # Prende solo 300 immagini
+    if i >= 300:
         break
     image = tf.image.resize(sample["image"], (64, 64)) / 255.0  # Normalizzazione
     image_list.append(image.numpy())
@@ -54,11 +38,11 @@ st.write(f"📊 **Validation:** {X_val.shape[0]} immagini")
 force_training = st.checkbox("🔄 Rifai il training anche se Silva.h5 esiste")
 
 # 📌 Caricamento o training del modello
-history = None  # 🛠 Inizializza history
+history = None
 
 if os.path.exists("Silva.h5") and not force_training:
     model = load_model("Silva.h5")
-    st.write("✅ Modello `Silva.h5` caricato, nessun nuovo training necessario!")
+    st.write("✅ Modello `Silva.h5` caricato!")
 else:
     st.write("🚀 Training in corso...")
     base_model = VGG16(weights="imagenet", include_top=False, input_shape=(64, 64, 3))
@@ -75,7 +59,7 @@ else:
 
     history = model.fit(X_train, y_train, epochs=10, validation_data=(X_val, y_val))
     model.save("Silva.h5")
-    st.write("✅ Modello salvato come `Silva.h5`!")
+    st.write("✅ Modello salvato!")
 
 # 📌 Calcolo delle metriche sulla validazione
 y_pred_val = np.argmax(model.predict(X_val), axis=1)
@@ -83,38 +67,33 @@ accuracy_val = np.mean(y_pred_val == y_val)
 rmse_val = np.sqrt(np.mean((y_pred_val - y_val) ** 2))
 report_val = classification_report(y_val, y_pred_val, output_dict=True)
 
-recall_val = report_val["weighted avg"]["recall"]
-precision_val = report_val["weighted avg"]["precision"]
-f1_score_val = report_val["weighted avg"]["f1-score"]
-
 st.write(f"📊 **Validation Accuracy:** {accuracy_val:.4f}")
 st.write(f"📊 **Validation RMSE:** {rmse_val:.4f}")
-st.write(f"📊 **Validation Precision:** {precision_val:.4f}")
-st.write(f"📊 **Validation Recall:** {recall_val:.4f}")
-st.write(f"📊 **Validation F1-Score:** {f1_score_val:.4f}")
+st.write(f"📊 **Validation F1-Score:** {report_val['weighted avg']['f1-score']:.4f}")
 
-# 📌 Bottone per generare la matrice di confusione sulla validazione
-if st.button("🔎 Genera matrice di confusione per validazione"):
+# 📌 Bottone per generare la matrice di confusione
+if st.button("🔎 Genera matrice di confusione"):
     conf_matrix_val = confusion_matrix(y_val, y_pred_val)
     fig, ax = plt.subplots(figsize=(10, 7))
     sns.heatmap(conf_matrix_val, annot=True, cmap="Blues", fmt="d", ax=ax)
     st.pyplot(fig)
-    st.write("✅ Matrice di confusione generata!")
 
-# 📌 Grafico per Loss e Accuracy con validazione
+# 📌 Grafico per Loss e Accuracy
 if history is not None:
     fig, ax = plt.subplots(1, 2, figsize=(12, 5))
     ax[0].plot(history.history["loss"], label="Training Loss")
     ax[0].plot(history.history["val_loss"], label="Validation Loss")
     ax[1].plot(history.history["accuracy"], label="Training Accuracy")
     ax[1].plot(history.history["val_accuracy"], label="Validation Accuracy")
-    ax[0].set_title("Loss durante il training e validazione")
-    ax[1].set_title("Accuracy durante il training e validazione")
     ax[0].legend()
     ax[1].legend()
     st.pyplot(fig)
-else:
-    st.warning("⚠️ Nessun training eseguito, impossibile mostrare il grafico!")
+
+# 📌 Bottone per avviare il test su nuove immagini
+if st.button("🔎 Testa il modello con un'immagine nuova"):
+    st.write("🚀 Avviando il test...")
+    os.system("streamlit run test_model.py")
+
 
 # 📌 Bottone per scaricare il modello
 if os.path.exists("Silva.h5"):

src/test_model.py

@@ -0,0 +1,33 @@
+import streamlit as st
+import tensorflow as tf
+import numpy as np
+from tensorflow.keras.models import load_model
+from PIL import Image
+import matplotlib.pyplot as plt
+
+# 📌 Carica il modello
+MODEL_PATH = "Silva.h5"
+
+if not MODEL_PATH:
+    st.error("❌ Modello non trovato! Esegui prima il training.")
+else:
+    model = load_model(MODEL_PATH)
+    st.write("✅ Modello caricato correttamente!")
+
+# 📌 Carica un'immagine per il test
+uploaded_file = st.file_uploader("📤 Carica un'immagine per testare il modello", type=["jpg", "png", "jpeg"])
+
+if uploaded_file:
+    # Converti l'immagine in formato compatibile
+    image = Image.open(uploaded_file).convert("RGB")
+    image = image.resize((64, 64))  # 📌 Stessa dimensione usata nel training
+    image_array = np.array(image) / 255.0  # Normalizzazione
+    image_array = np.expand_dims(image_array, axis=0)  # Aggiungi batch dimension
+
+    st.image(image, caption="🔍 Immagine di test", use_column_width=True)
+
+    # 📌 Esegui la previsione
+    prediction = model.predict(image_array)
+    predicted_class = np.argmax(prediction)
+
+    st.write(f"🔮 **Classe Predetta:** {predicted_class}")