dopopull

src/streamlit_app.py

@@ -50,15 +50,17 @@ X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_st
 st.write(f"📊 **Training:** {X_train.shape[0]} immagini")
 st.write(f"📊 **Validation:** {X_val.shape[0]} immagini")
 
-# 📌 Caricamento del modello
+# 📌 Checkbox per decidere se rifare il training
+force_training = st.checkbox("🔄 Rifai il training anche se Silva.h5 esiste")
+
+# 📌 Caricamento o training del modello
 history = None  # 🛠 Inizializza history
 
-if os.path.exists("Silva.h5"):
+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!")
 else:
-    st.write("🚀 Training in corso perché `Silva.h5` non esiste...")
-    
+    st.write("🚀 Training in corso...")
     base_model = VGG16(weights="imagenet", include_top=False, input_shape=(64, 64, 3))
     for layer in base_model.layers:
         layer.trainable = False
@@ -71,12 +73,7 @@ else:
     model = Model(inputs=base_model.input, outputs=output)
     model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])
 
-    # 📌 Training con monitoraggio validazione
     history = model.fit(X_train, y_train, epochs=10, validation_data=(X_val, y_val))
-
-    st.write("✅ Addestramento completato!")
-
-    # 📌 Salvare il modello
     model.save("Silva.h5")
     st.write("✅ Modello salvato come `Silva.h5`!")