Update app.py

app.py

@@ -1,43 +1,44 @@
-import streamlit as st
-import numpy as np
-from tensorflow.keras.preprocessing import image
-
-# Lade das gespeicherte Modell
-model = tf.keras.models.load_model("pokemon_classification_model_xception_v2.keras")
-
-# Setze die Bildabmessungen
-img_height, img_width = 299, 299  # Eingabegröße für Xception
-
-# Definiere eine Funktion zur Vorhersage und Rückgabe des Labels und der Wahrscheinlichkeit
-def predict_label_and_probability(image_path):
-    # Lade das Bild und passe es an die Eingabegröße des Modells an
-    img = image.load_img(image_path, target_size=(img_height, img_width))
-    x = image.img_to_array(img)
-    x = np.expand_dims(x, axis=0)
-    x /= 255.  # Skalieren der Bildpixel
-
-    # Vorhersage mit dem Modell
-    preds = model.predict(x)
-    class_idx = np.argmax(preds[0])
-    
-    # Mappe Klassenindizes auf Klassennamen
-    class_labels = {0: 'Abra', 1: 'Butterfree', 2: 'Eevee'}
-    predicted_class = class_labels[class_idx]
-    
-    # Gib das vorhergesagte Label und die Wahrscheinlichkeit zurück
-    probability = preds[0][class_idx]
-    return predicted_class, probability
-
-# Streamlit App
-st.title("Pokémon Classification")
-
-uploaded_file = st.file_uploader("Choose a Pokémon image...", type="jpg")
-
-if uploaded_file is not None:
-    # Zeige das hochgeladene Bild
-    st.image(uploaded_file, caption='Uploaded Pokémon Image.', use_column_width=True)
-
-    # Führe die Vorhersage durch und zeige das Ergebnis
-    label, probability = predict_label_and_probability(uploaded_file)
-    st.write("Prediction:", label)
-    st.write("Probability:", probability)
+import streamlit as st
+import numpy as np
+from tensorflow.keras.preprocessing import image
+import tensorflow as tf
+
+# Lade das gespeicherte Modell
+model = tf.keras.models.load_model("pokemon_classification_model_xception_v2.keras")
+
+# Setze die Bildabmessungen
+img_height, img_width = 299, 299  # Eingabegröße für Xception
+
+# Definiere eine Funktion zur Vorhersage und Rückgabe des Labels und der Wahrscheinlichkeit
+def predict_label_and_probability(image_path):
+    # Lade das Bild und passe es an die Eingabegröße des Modells an
+    img = image.load_img(image_path, target_size=(img_height, img_width))
+    x = image.img_to_array(img)
+    x = np.expand_dims(x, axis=0)
+    x /= 255.  # Skalieren der Bildpixel
+
+    # Vorhersage mit dem Modell
+    preds = model.predict(x)
+    class_idx = np.argmax(preds[0])
+    
+    # Mappe Klassenindizes auf Klassennamen
+    class_labels = {0: 'Abra', 1: 'Butterfree', 2: 'Eevee'}
+    predicted_class = class_labels[class_idx]
+    
+    # Gib das vorhergesagte Label und die Wahrscheinlichkeit zurück
+    probability = preds[0][class_idx]
+    return predicted_class, probability
+
+# Streamlit App
+st.title("Pokémon Classification")
+
+uploaded_file = st.file_uploader("Choose a Pokémon image...", type="jpg")
+
+if uploaded_file is not None:
+    # Zeige das hochgeladene Bild
+    st.image(uploaded_file, caption='Uploaded Pokémon Image.', use_column_width=True)
+
+    # Führe die Vorhersage durch und zeige das Ergebnis
+    label, probability = predict_label_and_probability(uploaded_file)
+    st.write("Prediction:", label)
+    st.write("Probability:", probability)