dopopull

src/streamlit_app.py

@@ -9,87 +9,42 @@ from tensorflow.keras.layers import Dense, Flatten
 from tensorflow.keras.models import Model, load_model
 from datasets import load_dataset
 import matplotlib.pyplot as plt
-from sklearn.metrics import confusion_matrix
+from sklearn.metrics import confusion_matrix, classification_report
 import seaborn as sns
 from huggingface_hub import HfApi
 import os
 
-
-# 📌 Percorso della cartella dove sarà salvato il dataset se uso TFlow, non serve se setto hf_dataset_cache
-#DATA_DIR = "/app" #"/tmp"
-
-
-# 📌 Autenticazione Hugging Face dal Secret nello Space
-HF_TOKEN = os.getenv("HF_TOKEN")
+# 📌 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)
-
-    if "name" in user_info:
-        st.write(f"✅ Autenticato come {user_info['name']}")
-    else:
-        st.warning("⚠️ Token API non valido! Controlla il Secret nello Space.")
+    st.write(f"✅ Autenticato come {user_info.get('name', 'Utente sconosciuto')}")
 else:
     st.warning("⚠️ Nessun token API trovato! Verifica il Secret nello Space.")
 
-# 📌 Carica solo 300 immagini da `imagenet_resized/64x64`
+# 📌 Caricamento del dataset
 st.write("🔄 Caricamento di 300 immagini da `tiny-imagenet`...")
-
-# 📌 Recupera il valore della variabile d'ambiente
-hf_cache_path = os.getenv("HF_DATASETS_CACHE", "❌ Variabile non impostata!")
-
-# 🔹 Mostra il valore nella UI di Streamlit
-st.write(f"📂 Cache dei dataset Hugging Face: {hf_cache_path}")
-
-# 📌 Testa se la cache ha i permessi giusti PRIMA di caricare il dataset
-test_file = "/app/.cache/test.txt"
-try:
-    with open(test_file, "w") as f:
-        f.write("Test permessi OK!")
-    st.write("✅ La cartella ha i permessi giusti!")
-except PermissionError:
-    st.error("❌ ERRORE: La cartella /app/.cache non ha permessi di scrittura!")
-
-
-
-# 📌 Carica il dataset direttamente da Hugging Face
-os.environ["HF_HOME"] = "/tmp/huggingface"
-os.environ["HF_DATASETS_CACHE"] = "/tmp/huggingface"
-os.makedirs(os.getenv("HF_DATASETS_CACHE"), exist_ok=True)
 dataset = load_dataset("zh-plus/tiny-imagenet", split="train")
 
-# 📌 Recupera il primo esempio
-sample = dataset[0]
-image = sample["image"]
-label = sample["label"]
-
-# 📌 Mostra l'immagine e la classe in Streamlit
-st.image(image, caption=f"Classe: {label}", use_container_width=True)
-st.write(f"🔎 Esempio dal dataset: {sample}")
-
-#Carica il dataset esterno da imagenet PER TENSORFLOW
-#imagenet = tfds.load("imagenet_resized/64x64", split="train", as_supervised=True, download=True, data_dir=DATA_DIR)
-
 image_list = []
 label_list = []
 
-#for i, (image, label) in enumerate(imagenet.take(300)):  # Prende solo 300 immagini  PER TENSORFLOW 
 for i, sample in enumerate(dataset):
     if i >= 300:  # Prende solo 300 immagini
         break
-
-    image = tf.image.resize(image, (64, 64)) / 255.0  # Normalizzazione
+    image = tf.image.resize(sample["image"], (64, 64)) / 255.0  # Normalizzazione
     image_list.append(image.numpy())
     label_list.append(np.array(sample["label"]))  
 
 X_train = np.array(image_list)
 y_train = np.array(label_list)
 
-st.write(f"✅ Scaricate e preprocessate {len(X_train)} immagini da `tiny-imagene/64x64`!")
+st.write(f"✅ Scaricate e preprocessate {len(X_train)} immagini da `tiny-imagenet/64x64`!")
 
 # 📌 Caricamento del modello
 if os.path.exists("Silva.h5"):
@@ -97,35 +52,25 @@ if os.path.exists("Silva.h5"):
     st.write("✅ Modello `Silva.h5` caricato, nessun nuovo training necessario!")
 else:
     st.write("🚀 Training in corso perché `Silva.h5` non esiste...")
-
-    # Caricare il modello VGG16 pre-addestrato
+    
     base_model = VGG16(weights="imagenet", include_top=False, input_shape=(64, 64, 3))
-
-    # Congelare i livelli convoluzionali
     for layer in base_model.layers:
         layer.trainable = False
 
-    # Aggiungere nuovi livelli Dense
     x = Flatten()(base_model.output)
     x = Dense(256, activation="relu")(x)
     x = Dense(128, activation="relu")(x)
     output = Dense(len(set(y_train)), activation="softmax")(x)
 
-    # Creare il modello finale
     model = Model(inputs=base_model.input, outputs=output)
     model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])
 
-    # 📌 Barra di progresso del training
+    # 📌 Training con barra di progresso
     progress_bar = st.progress(0)
     status_text = st.empty()
     start_time = time.time()
 
-    # 📌 Addestramento con progress bar
-    for epoch in range(10):
-        history = model.fit(X_train, y_train, epochs=1)
-        progress_bar.progress((epoch + 1) / 10)
-        elapsed_time = time.time() - start_time
-        status_text.text(f"⏳ Tempo rimanente stimato: {int(elapsed_time / (epoch + 1) * (10 - (epoch + 1)))} secondi")
+    history = model.fit(X_train, y_train, epochs=10)
 
     st.write("✅ Addestramento completato!")
 
@@ -133,6 +78,40 @@ else:
     model.save("Silva.h5")
     st.write("✅ Modello salvato come `Silva.h5`!")
 
+# 📌 Calcolo delle metriche
+y_pred = np.argmax(model.predict(X_train), axis=1)
+accuracy = np.mean(y_pred == y_train)
+rmse = np.sqrt(np.mean((y_pred - y_train) ** 2))
+report = classification_report(y_train, y_pred, output_dict=True)
+
+recall = report["weighted avg"]["recall"]
+precision = report["weighted avg"]["precision"]
+f1_score = report["weighted avg"]["f1-score"]
+
+st.write(f"📊 **Accuracy:** {accuracy:.4f}")
+st.write(f"📊 **RMSE:** {rmse:.4f}")
+st.write(f"📊 **Precision:** {precision:.4f}")
+st.write(f"📊 **Recall:** {recall:.4f}")
+st.write(f"📊 **F1-Score:** {f1_score:.4f}")
+
+# 📌 Bottone per generare la matrice di confusione
+if st.button("🔎 Genera matrice di confusione"):
+    conf_matrix = confusion_matrix(y_train, y_pred)
+    fig, ax = plt.subplots(figsize=(10, 7))
+    sns.heatmap(conf_matrix, annot=True, cmap="Blues", fmt="d", ax=ax)
+    st.pyplot(fig)
+    st.write("✅ Matrice di confusione generata!")
+
+# 📌 Grafico per Loss e Accuracy
+fig, ax = plt.subplots(1, 2, figsize=(12, 5))
+ax[0].plot(history.history["loss"], label="Loss")
+ax[1].plot(history.history["accuracy"], label="Accuracy")
+ax[0].set_title("Loss durante il training")
+ax[1].set_title("Accuracy durante il training")
+ax[0].legend()
+ax[1].legend()
+st.pyplot(fig)
+
 # 📌 Bottone per scaricare il modello
 if os.path.exists("Silva.h5"):
     with open("Silva.h5", "rb") as f:
@@ -148,11 +127,11 @@ def upload_model():
     api.upload_file(
         path_or_fileobj="Silva.h5",
         path_in_repo="Silva.h5",
-        repo_id="scontess/trainigVVG16",   #"scontess/Silva",
+        repo_id="scontess/trainigVVG16",
         repo_type="space"
     )
-    st.success("✅ Modello 'Silva' caricato su Hugging Face!")
+    st.success("✅ Modello 'Silva.h5' caricato su Hugging Face!")
 
 st.write("📥 Carica il modello Silva su Hugging Face")
 if st.button("🚀 Carica Silva su Model Store"):
-    upload_model()
+    upload_model()

src/{streamlit_app_metriche.py → streamlit_app_old.py}

@@ -9,42 +9,87 @@ from tensorflow.keras.layers import Dense, Flatten
 from tensorflow.keras.models import Model, load_model
 from datasets import load_dataset
 import matplotlib.pyplot as plt
-from sklearn.metrics import confusion_matrix, classification_report
+from sklearn.metrics import confusion_matrix
 import seaborn as sns
 from huggingface_hub import HfApi
 import os
 
-# 📌 Percorso della cache
+
+# 📌 Percorso della cartella dove sarà salvato il dataset se uso TFlow, non serve se setto hf_dataset_cache
+#DATA_DIR = "/app" #"/tmp"
+
+
+# 📌 Autenticazione Hugging Face dal Secret nello Space
+HF_TOKEN = os.getenv("HF_TOKEN")
 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')}")
+
+    if "name" in user_info:
+        st.write(f"✅ Autenticato come {user_info['name']}")
+    else:
+        st.warning("⚠️ Token API non valido! Controlla il Secret nello Space.")
 else:
     st.warning("⚠️ Nessun token API trovato! Verifica il Secret nello Space.")
 
-# 📌 Caricamento del dataset
+# 📌 Carica solo 300 immagini da `imagenet_resized/64x64`
 st.write("🔄 Caricamento di 300 immagini da `tiny-imagenet`...")
+
+# 📌 Recupera il valore della variabile d'ambiente
+hf_cache_path = os.getenv("HF_DATASETS_CACHE", "❌ Variabile non impostata!")
+
+# 🔹 Mostra il valore nella UI di Streamlit
+st.write(f"📂 Cache dei dataset Hugging Face: {hf_cache_path}")
+
+# 📌 Testa se la cache ha i permessi giusti PRIMA di caricare il dataset
+test_file = "/app/.cache/test.txt"
+try:
+    with open(test_file, "w") as f:
+        f.write("Test permessi OK!")
+    st.write("✅ La cartella ha i permessi giusti!")
+except PermissionError:
+    st.error("❌ ERRORE: La cartella /app/.cache non ha permessi di scrittura!")
+
+
+
+# 📌 Carica il dataset direttamente da Hugging Face
+os.environ["HF_HOME"] = "/tmp/huggingface"
+os.environ["HF_DATASETS_CACHE"] = "/tmp/huggingface"
+os.makedirs(os.getenv("HF_DATASETS_CACHE"), exist_ok=True)
 dataset = load_dataset("zh-plus/tiny-imagenet", split="train")
 
+# 📌 Recupera il primo esempio
+sample = dataset[0]
+image = sample["image"]
+label = sample["label"]
+
+# 📌 Mostra l'immagine e la classe in Streamlit
+st.image(image, caption=f"Classe: {label}", use_container_width=True)
+st.write(f"🔎 Esempio dal dataset: {sample}")
+
+#Carica il dataset esterno da imagenet PER TENSORFLOW
+#imagenet = tfds.load("imagenet_resized/64x64", split="train", as_supervised=True, download=True, data_dir=DATA_DIR)
+
 image_list = []
 label_list = []
 
+#for i, (image, label) in enumerate(imagenet.take(300)):  # Prende solo 300 immagini  PER TENSORFLOW 
 for i, sample in enumerate(dataset):
     if i >= 300:  # Prende solo 300 immagini
         break
-    image = tf.image.resize(sample["image"], (64, 64)) / 255.0  # Normalizzazione
+
+    image = tf.image.resize(image, (64, 64)) / 255.0  # Normalizzazione
     image_list.append(image.numpy())
     label_list.append(np.array(sample["label"]))  
 
 X_train = np.array(image_list)
 y_train = np.array(label_list)
 
-st.write(f"✅ Scaricate e preprocessate {len(X_train)} immagini da `tiny-imagenet/64x64`!")
+st.write(f"✅ Scaricate e preprocessate {len(X_train)} immagini da `tiny-imagene/64x64`!")
 
 # 📌 Caricamento del modello
 if os.path.exists("Silva.h5"):
@@ -52,25 +97,35 @@ if os.path.exists("Silva.h5"):
     st.write("✅ Modello `Silva.h5` caricato, nessun nuovo training necessario!")
 else:
     st.write("🚀 Training in corso perché `Silva.h5` non esiste...")
-    
+
+    # Caricare il modello VGG16 pre-addestrato
     base_model = VGG16(weights="imagenet", include_top=False, input_shape=(64, 64, 3))
+
+    # Congelare i livelli convoluzionali
     for layer in base_model.layers:
         layer.trainable = False
 
+    # Aggiungere nuovi livelli Dense
     x = Flatten()(base_model.output)
     x = Dense(256, activation="relu")(x)
     x = Dense(128, activation="relu")(x)
     output = Dense(len(set(y_train)), activation="softmax")(x)
 
+    # Creare il modello finale
     model = Model(inputs=base_model.input, outputs=output)
     model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])
 
-    # 📌 Training con barra di progresso
+    # 📌 Barra di progresso del training
     progress_bar = st.progress(0)
     status_text = st.empty()
     start_time = time.time()
 
-    history = model.fit(X_train, y_train, epochs=10)
+    # 📌 Addestramento con progress bar
+    for epoch in range(10):
+        history = model.fit(X_train, y_train, epochs=1)
+        progress_bar.progress((epoch + 1) / 10)
+        elapsed_time = time.time() - start_time
+        status_text.text(f"⏳ Tempo rimanente stimato: {int(elapsed_time / (epoch + 1) * (10 - (epoch + 1)))} secondi")
 
     st.write("✅ Addestramento completato!")
 
@@ -78,40 +133,6 @@ else:
     model.save("Silva.h5")
     st.write("✅ Modello salvato come `Silva.h5`!")
 
-# 📌 Calcolo delle metriche
-y_pred = np.argmax(model.predict(X_train), axis=1)
-accuracy = np.mean(y_pred == y_train)
-rmse = np.sqrt(np.mean((y_pred - y_train) ** 2))
-report = classification_report(y_train, y_pred, output_dict=True)
-
-recall = report["weighted avg"]["recall"]
-precision = report["weighted avg"]["precision"]
-f1_score = report["weighted avg"]["f1-score"]
-
-st.write(f"📊 **Accuracy:** {accuracy:.4f}")
-st.write(f"📊 **RMSE:** {rmse:.4f}")
-st.write(f"📊 **Precision:** {precision:.4f}")
-st.write(f"📊 **Recall:** {recall:.4f}")
-st.write(f"📊 **F1-Score:** {f1_score:.4f}")
-
-# 📌 Bottone per generare la matrice di confusione
-if st.button("🔎 Genera matrice di confusione"):
-    conf_matrix = confusion_matrix(y_train, y_pred)
-    fig, ax = plt.subplots(figsize=(10, 7))
-    sns.heatmap(conf_matrix, annot=True, cmap="Blues", fmt="d", ax=ax)
-    st.pyplot(fig)
-    st.write("✅ Matrice di confusione generata!")
-
-# 📌 Grafico per Loss e Accuracy
-fig, ax = plt.subplots(1, 2, figsize=(12, 5))
-ax[0].plot(history.history["loss"], label="Loss")
-ax[1].plot(history.history["accuracy"], label="Accuracy")
-ax[0].set_title("Loss durante il training")
-ax[1].set_title("Accuracy durante il training")
-ax[0].legend()
-ax[1].legend()
-st.pyplot(fig)
-
 # 📌 Bottone per scaricare il modello
 if os.path.exists("Silva.h5"):
     with open("Silva.h5", "rb") as f:
@@ -127,11 +148,11 @@ def upload_model():
     api.upload_file(
         path_or_fileobj="Silva.h5",
         path_in_repo="Silva.h5",
-        repo_id="scontess/trainigVVG16",
+        repo_id="scontess/trainigVVG16",   #"scontess/Silva",
         repo_type="space"
     )
-    st.success("✅ Modello 'Silva.h5' caricato su Hugging Face!")
+    st.success("✅ Modello 'Silva' caricato su Hugging Face!")
 
 st.write("📥 Carica il modello Silva su Hugging Face")
 if st.button("🚀 Carica Silva su Model Store"):
-    upload_model()
+    upload_model()