checkpoint_cb = tf.keras.callbacks.ModelCheckpoint(filepath='cv_model.h5', 
                                                    monitor = 'accuracy',
                                                    save_weights_only = False,
                                                    save_best_only=True)
but when I am calling model = tf.keras.models.load_model('cv_model.h5')

It is giving me an error KeyError: "Unable to open object (object 'model_weights' doesn't exist)"

I tried using this with the full path also and results are same

Using Tensorflow 2.7
          
I am also facing the same issue
.local/lib/python3.8/site-packages/keras/saving/hdf5_format.py", line 177, in load_model_from_hdf5
    raise ValueError(f'No model config found in the file at {filepath}.')
Any hopes?
      How to convert a save ViT model into keras (.h5) or tensorFlowLight (tflite) and then load it
      huggingface/blog#428
validation_data = test_set)

classifier.save('model1.h5')
InvalidArgumentError                      Traceback (most recent call last)

----> 1 history = classifier.fit(training_set,

2                          epochs = 50,

3                          validation_data = test_set)

5 classifier.save('model.h5')  # creates a HDF5 file 'my_model.h5'
C:\ProgramData\Anaconda3\lib\site-packages\keras\utils\traceback_utils.py in error_handler(*args, **kwargs)

68             # To get the full stack trace, call:

69             # tf.debugging.disable_traceback_filtering()

---> 70             raise e.with_traceback(filtered_tb) from None

71         finally:

72             del filtered_tb
C:\ProgramData\Anaconda3\lib\site-packages\tensorflow\python\eager\execute.py in quick_execute(op_name, num_outputs, inputs, attrs, ctx, name)

50   try:

51     ctx.ensure_initialized()

---> 52     tensors = pywrap_tfe.TFE_Py_Execute(ctx._handle, device_name, op_name,

53                                         inputs, attrs, num_outputs)

54   except core._NotOkStatusException as e:
InvalidArgumentError: Graph execution error:
          
Following code is working on my end.

For saving.h5 trained model.
from tensorflow.keras.models import save_model
save_model(trained_model, "path_to_save_h5_model")
Load .h5 trained model.
from tensorflow.keras.models import load_model
load_model(trained_model, "path_of_h5_model")
          
facing problem in loading h5 file even both of them exist in the same folder

C:\Users\RC PRASAD\AppData\Local\Programs\Python\Python310\lib\site-packages\scipy_init_.py:169: UserWarning: A NumPy version >=1.18.5 and <1.26.0 is required for this version of SciPy (detected version 1.26.4

warnings.warn(f"A NumPy version >={np_minversion} and <{np_maxversion}"

Traceback (most recent call last):

File "C:\Users\RC PRASAD\Desktop\python ws\project\app.py", line 9, in 

model = tf.keras.models.load_model('project/ad_deploy.h5')

File "C:\Users\RC PRASAD\AppData\Local\Programs\Python\Python310\lib\site-packages\keras\saving\saving_api.py", line 212, in load_model

return legacy_sm_saving_lib.load_model(

File "C:\Users\RC PRASAD\AppData\Local\Programs\Python\Python310\lib\site-packages\keras\utils\traceback_utils.py", line 70, in error_handler

raise e.with_traceback(filtered_tb) from None

File "C:\Users\RC PRASAD\AppData\Local\Programs\Python\Python310\lib\site-packages\keras\saving\legacy\save.py", line 230, in load_model

raise IOError(

OSError: No file or directory found at project/ad_deploy.h5

PS C:\Users\RC PRASAD\Desktop\python ws\project>

this is the error

kindly help me please
          
i have problem when deploying my service it's successfully deployed but when when accessing the url it says Service Unavailable.
this is the logs:
The request failed because either the HTTP response was malformed or connection to the instance had an error
"Traceback (most recent call last):

File "/usr/local/lib/python3.11/site-packages/keras/src/ops/operation.py", line 234, in from_config

return cls(**config)"
Traceback (most recent call last):

File "/usr/local/lib/python3.11/site-packages/gunicorn/arbiter.py", line 609, in spawn_worker

worker.init_process()

File "/usr/local/lib/python3.11/site-packages/gunicorn/workers/gthread.py", line 95, in init_process

super().init_process()

File "/usr/local/lib/python3.11/site-packages/gunicorn/workers/base.py", line 134, in init_process

self.load_wsgi()

File "/usr/local/lib/python3.11/site-packages/gunicorn/workers/base.py", line 146, in load_wsgi

self.wsgi = self.app.wsgi()
and this is the code:
#mengimport module yang dibutuhkan

from flask import Flask, request, jsonify
#import masing-masing file dan fungsi

from prediction.kaca import klasifikasiKaca, kaca

from prediction.kain import klasifikasiKain, kain

from prediction.metal import klasifikasiMetal, metal

from prediction.plastik import klasifikasiPlastik, plastik
#inisialisasi flask

app = Flask(name)
#endpoint index/homepage

@app.route('/', methods=["GET"])

def index():

return '
  Welcome to T2T API Homepage : --port 8080,  
 (this 16th deploying attemp).'

#membuat endpoint untuk masing masing file prediksi machine learning

@app.route('/kaca', methods=['POST'])

def kaca_endpoint():

return kaca()
@app.route('/kain', methods=['POST'])

def kain_endpoint():

return kain()
@app.route('/metal', methods=['POST'])

def metal_endpoint():

return metal()
@app.route('/plastik', methods=['POST'])

def plastik_endpoint():

return plastik()
if name == 'main':

port = int(os.environ.get('PORT', 8080))

app.run(port=port, host="0.0.0.0", debug=True)
FROM python:3.11-slim
ENV PYTHONUNBUFFERED True

ENV APP_HOME /app
WORKDIR $APP_HOME

COPY . ./
RUN pip install -r requirements.txt
CMD exec gunicorn --bind :8080 --workers 1 --threads 8 --timeout 0 main:app
EXPOSE 8080
from google.cloud import storage

import os

import io

import matplotlib.pyplot as plt

import matplotlib.image as mpimg

import tensorflow as tf

import tempfile

import psutil

from flask import Flask, request, jsonify

from werkzeug.utils import secure_filename

from PIL import Image

from urllib.parse import quote
Inisialisasi klien penyimpanan Google Cloud
service_account = 'credential/pragmatic-star-431611-e8-d1f679e6a94c.json'

client = storage.Client.from_service_account_json(service_account)
Inisialisasi flask
app = Flask(name)
#load model dari file model

bucket_name = 'bucket-bayu-3'

model_plastik_path = 'models/model_plastik.h5'

bucket = client.get_bucket(bucket_name)

blob = bucket.blob(model_plastik_path)

model_plastik_path_local = '/tmp/model_plastik.h5'

blob.download_to_filename(model_plastik_path_local)

loaded_model_plastik = tf.keras.models.load_model(model_plastik_path_local)
Fungsi untuk mengklasifikasikan gambar plastik dan memberikan rekomendasi
def klasifikasiPlastik(image_path):

# Load dan preprocess gambar

image = tf.keras.preprocessing.image.load_img(image_path, target_size=(224, 224))

image_array = tf.keras.preprocessing.image.img_to_array(image)

image_array = tf.expand_dims(image_array, 0)

image_array = image_array / 255.0  # Normalisasi
# Klasifikasikan gambar menggunakan model
predictions = loaded_model_plastik.predict(image_array)
predicted_class = tf.argmax(predictions[0])
# Jawaban dan deskripsi berdasarkan klasifikasi
answer = ""
description = ""
folder_path = ""
if predicted_class == 0:
    answer = "Botol Plastik."
    description = '''Botol plastik merupakan salah satu jenis sampah yang sangat umum ditemui dalam kehidupan sehari-hari.
    \tBotol plastik umumnya terbuat dari polietilen tereftalat (PET), yang merupakan jenis plastik yang dapat didaur ulang.
    \tDaur ulang botol plastik memiliki manfaat besar bagi lingkungan karena mengurangi penggunaan bahan baku baru, 
    \tmengurangi limbah plastik yang mencemari lingkungan, dan menghemat energi yang diperlukan dalam produksi plastik baru. 
    \tOleh karena itu, penting bagi kita semua untuk mempraktikkan daur ulang botol plastik dengan membuangnya ke tempat yang benar 
    \tdan mendukung program daur ulang yang ada di lingkungan kita.\n'''
    folder_path = 'Recomendation/Plastik/Botol'  # Path folder tempat gambar botol disimpan
elif predicted_class == 1:
    answer = "Kemasan Plastik."
    description = '''Sampah kemasan plastik merupakan jenis sampah yang terkait dengan penggunaan berbagai macam kemasan plastik dalam kehidupan sehari-hari.
    \tKemasan plastik umumnya digunakan untuk mengemas makanan, minuman, produk rumah tangga, produk kecantikan, dan berbagai produk lainnya.
    \tSampah kemasan plastik dapat berdampak negatif terhadap lingkungan dan ekosistem. Jika tidak dikelola dengan baik, kemasan plastik bisa mencemari lautan,
    \tsungai, dan lahan. Plastik yang terbuang sembarangan dapat merusak habitat alami dan menyebabkan keracunan pada hewan laut yang memakan atau terperangkap olehnya. 
    \tSelain itu, pembakaran atau pembuangan plastik yang tidak tepat juga dapat menghasilkan polusi udara dan tanah yang berbahaya.\n
    \tUpaya kolektif dari individu, pemerintah, dan industri dalam mengurangi penggunaan kemasan plastik sekali pakai, meningkatkan daur ulang, 
    \tserta meningkatkan inovasi dalam pengemasan yang ramah lingkungan dapat membantu mengurangi masalah sampah kemasan plastik dan menjaga keberlanjutan lingkungan kita.\n'''
    folder_path = 'Recomendation/Plastik/Kemasan'  # Path folder tempat gambar kemasan disimpan
elif predicted_class == 2:
    answer = "Sedotan."
    description = '''Sampah sedotan plastik adalah jenis sampah yang terdiri dari sedotan atau pipet kecil yang terbuat dari plastik. 
    \tSedotan plastik umumnya digunakan untuk minuman seperti jus, soda, atau minuman ringan lainnya.\n
    \tMeskipun sedotan plastik terlihat kecil dan tidak signifikan, mereka dapat menjadi masalah lingkungan yang serius. 
    \tIni karena sedotan plastik sulit terurai dan cenderung berakhir sebagai sampah plastik yang mencemari lautan dan ekosistem.\n 
    \tDengan kesadaran dan tindakan kolektif, penggunaan dan pembuangan sedotan plastik sekali pakai dapat dikurangi secara signifikan. 
    \tMenggantinya dengan alternatif yang lebih berkelanjutan dan mengelola sampah sedotan plastik dengan benar adalah langkah penting 
    \tdalam menjaga keberlanjutan lingkungan kita.\n'''
    folder_path = 'Recomendation/Plastik/Sedotan'  # Path folder tempat gambar sedotan disimpan
elif predicted_class == 3:
    answer = "Sendok."
    description = '''Sampah sendok plastik adalah jenis sampah yang terdiri dari sendok kecil yang terbuat dari plastik. 
    \tSendok plastik sering digunakan dalam berbagai acara atau makanan makanan siap saji yang dikonsumsi di luar rumah.\n 
    \tSampah sendok plastik memiliki dampak negatif pada ekosistem laut dan lingkungan secara keseluruhan. Satwa laut dapat tersangkut 
    \tatau memakan sendok plastik, yang dapat menyebabkan luka atau kematian. Selain itu, pembuangan sendok plastik yang tidak tepat juga 
    \tdapat menyebabkan pencemaran tanah dan air.\n
    \tDengan mengadopsi alternatif yang lebih ramah lingkungan dan mengelola sendok plastik dengan benar, kita dapat mengurangi dampak negatifnya 
    \tterhadap lingkungan dan menjaga keberlanjutan sumber daya alam kita.\n'''
    folder_path = 'Recomendation/Plastik/Sendok'  # Path folder tempat gambar sendok disimpan
#mengembalikan response
return answer, description, folder_path
#endpoint plastik

@app.route('/plastik', methods=['POST'])

def plastik():

#periksa apakah ada file gambar yang diunggah

if 'image' not in request.files:

return jsonify({'error': 'No image uploaded'}), 400
#meminta request gambar ke body dengan method form data nantinya di postman
image = request.files['image']
# Save the uploaded image to a temporary file
temp_file = tempfile.NamedTemporaryFile(delete=False)
image.save(temp_file.name)
#klasifikasi
answer, description, folder_path = klasifikasiPlastik(temp_file.name)
os.remove(temp_file.name)
# Dapatkan objek bucket
bucket = client.get_bucket(bucket_name)
# Dapatkan daftar file dalam folder
blobs = bucket.list_blobs(prefix=folder_path)
#tampilkan gambar yang sesuai dengan klasifikasi
file_urls = []
for blob in blobs:
    #menggunakan urlib parse module untuk parsing url agar bisa diakses
    file_url = f"https://storage.googleapis.com/{bucket.name}/{quote(blob.name)}"
    file_urls.append(file_url)
if len(file_urls) > 0:
    return jsonify({'answer': answer, 'description': description, 'file_urls': file_urls}), 200
else:
    return jsonify({'answer': answer, 'description': description, 'file_urls': []}), 200
return jsonify({'error': 'No folder found for the classification'}), 500