Create app.py

app.py

@@ -0,0 +1,43 @@
+import streamlit as st
+import numpy as np
+from PIL import Image
+from keras.models import load_model
+from sklearn.preprocessing import LabelEncoder
+import pickle
+
+# Lade das trainierte Modell und den LabelEncoder
+model = load_model('/Users/erwinlang/PycharmProjects/DogID/dog_breed_classifier.h5')
+with open('/Users/erwinlang/PycharmProjects/DogID/label_encoder.pkl', 'rb') as f:
+    label_encoder = pickle.load(f)
+
+
+def predict_breed(image, model, label_encoder):
+    """
+    Vorhersage der Hunderasse basierend auf dem Bild.
+
+    :param image: Das Bild des Hundes als numpy Array
+    :param model: Das geladene Keras Modell
+    :param label_encoder: Der LabelEncoder für die Hunderassen
+    :return: Die vorhergesagte Hunderasse
+    """
+    image = image.resize((128, 128))  # Ändere die Bildgröße entsprechend der Modellanforderungen
+    image = np.expand_dims(np.array(image), axis=0)  # Füge Batch-Dimension hinzu
+    predictions = model.predict(image)
+    predicted_breed = label_encoder.inverse_transform([np.argmax(predictions)])
+    return predicted_breed[0]
+
+
+# Streamlit App Titel
+st.title("DogID - Finde die Rasse eines Hundes heraus!")
+
+# Bild hochladen
+uploaded_file = st.file_uploader("Füge hier deinen Freund auf vier Beinen ein", type="jpg")
+
+if uploaded_file is not None:
+    # Bild anzeigen
+    image = Image.open(uploaded_file)
+    st.image(image, caption='Dein hochgeladenes Bild.', use_column_width=True)
+
+    # Vorhersage treffen
+    breed = predict_breed(image, model, label_encoder)
+    st.write(f'Toll - Dieser Hund ist ein {breed}!')