Update app.py

app.py

@@ -2,10 +2,10 @@ import gradio as gr
 from transformers import pipeline
 import spaces
 
-# 1. 懒加载：全局变量
+# 全局变量（懒加载用）
 classifier = None
 
-# 2. 核心预测逻辑（使用 ZeroGPU）
+# 2. 核心预测逻辑（使用 ZeroGPU 加速）
 @spaces.GPU
 def predict_plant(image):
     global classifier
@@ -15,26 +15,42 @@ def predict_plant(image):
     # 首次识别时才在 GPU 上加载模型
     if classifier is None:
         print("正在 GPU 上初始化植物识别模型...")
+        # 【关键修改】换成了专门针对植物叶片的微调模型
+        # 它比 google/vit 更能准确识别植物品种
         classifier = pipeline(
             task="image-classification",
-            model="google/vit-base-patch16-224"
+            model="Nymphaea/plant-classifier" 
         )
         print("模型加载完成！")
 
     # 推理
     results = classifier(image, top_k=5)
-    formatted_results = {res["label"]: float(res["score"]) for res in results}
+    
+    # 格式化结果，并过滤掉置信度极低（如 0.00x）的干扰项
+    formatted_results = {}
+    for res in results:
+        # 保留有实际置信度的结果
+        if res["score"] > 0.001: 
+            formatted_results[res["label"]] = float(res["score"])
+            
+    # 如果过滤后结果为空（极少发生），则返回一个提示
+    if not formatted_results:
+        return {"未能识别出明显植物": 1.0}
+        
     return formatted_results
 
 
-# 3. 极简 Interface 布局（兼容 Gradio 6.0）
+# 3. 极简 Interface 布局
 demo = gr.Interface(
     fn=predict_plant,
-    inputs=gr.Image(type="pil", sources=["upload", "webcam"], label="上传植物照片"),
-    outputs=gr.Label(num_top_classes=5, label="识别结果 (Top 5)"),
-    title="🌱 智能植物识别系统"
+    # 建议用户在手机/上传时尽量裁剪掉过多的背景（花盆、栏杆），只拍叶子
+    inputs=gr.Image(type="pil", sources=["upload", "webcam"], label="📸 请拍摄植物叶片特写（尽量避开花盆和背景）"),
+    outputs=gr.Label(num_top_classes=5, label="🔍 植物识别结果 (Top 5)"),
+    title="🌱 智能植物品种识别"
 )
 
-# 4. 启动（移除冲突参数）
+# 4. 启动
 if __name__ == "__main__":
+    # 这里的 server_name 和 server_port 在 Hugging Face 上会自动忽略，
+    # 保留是为了方便你在本地测试时运行
     demo.launch()