Not Found The requested URL was not found on the serveの問題解決

実現したいこと

pythonで音楽のジャンルを学習して分類するwebアプリをflaskで実装したい

前提

ここに質問の内容を詳しく書いてください。
（例）
TypeScriptで●●なシステムを作っています。
■■な機能を実装中に以下のエラーメッセージが発生しました。

発生している問題・エラーメッセージ

http://127.0.0.1:5000の/ページは実装できているのですが、Uploadボタンを押したら（/predict）
Not Found
The requested URL was not found on the server. If you entered the URL manually please check your spelling and try again.
のエラーが出てきました。
調べたところ
ルーティングが原因と思いましたが、render_template('predict.html', table_html=table_html)の部分、@app.route('/predict', methods=['POST'])の部分、<form action="/predict" method="post" enctype="multipart/form-data">の部分とスペルの間違いなどがないかチェックしたのですが自分が見た限りでは間違っていないと思われます。
他にどこが原因なのかご教授お願いします。

該当のソースコード

index.html
1<!DOCTYPE html>
2<html>
3  <head>
4    <title>Music Genre Classifier</title>
5  </head>
6  <body>
7    <h1>Music Genre Classifier</h1>
8    <form action="/predict" method="post" enctype="multipart/form-data">
9      <input type="file" name="file" accept=".wav,.mp3,.au,.aiff">
10      <input type="submit" value="Upload">
11    </form>
12  </body>
13</html>

predict.html
1<!DOCTYPE html>
2<html>
3  <head>
4    <title>予測結果</title>
5  </head>
6  <body>
7    <h1>予測結果</h1>
8    {% if table_html %}
9    {{ table_html }}
10    {% else %}
11    <p>分類結果がありません。</p>
12    {% endif %}
13    </form>
14  </body>
15</html>
16

result.py
1import torch
2from app import extract_features,Net
3from flask import Flask, render_template,request
4
5app = Flask(__name__)
6
7@app.route('/predict', methods=['POST'])
8def predict():
9# モデルの読み込み
10    model = Net()
11    model.load_state_dict(torch.load('model.pt'))
12    model.eval()
13   # 音声ファイルに対して分類結果を取得するコード
14    audio_files = request.files['file']
15    predicted_classes = [predict_class(audio_file) for audio_file in audio_files]
16    # 分類結果を表示する表のHTMLコード
17    table_html = show_table(audio_files, predicted_classes)
18    return render_template('predict.html', table_html=table_html)
19
20def show_table(audio_files, predicted_classes):
21    rows = []
22    for i in range(len(audio_files)):
23        rows.append(f"<tr><td>{audio_files[i]}</td><td>{predicted_classes[i]}</td></tr>")
24    table_html = "<table><tr><th>音声ファイル名</th><th>予測ラベル</th></tr>" + "".join(rows) + "</table>"
25    return table_html
26
27# 分類結果を取得するコード
28def predict_class(audio_file):
29    mfcc = extract_features(audio_file)
30    input_tensor = torch.tensor(mfcc, dtype=torch.float32)
31    input_tensor = input_tensor.unsqueeze(0)
32    with torch.no_grad():
33         model = Net()
34         predicted_class = model(input_tensor).argmax(dim=1).item()
35    return predicted_class
36
37
38# 分類結果を表示するHTMLコード
39html = """
40<!DOCTYPE html>
41<html>
42  <head>
43    <title>音声分類結果</title>
44  </head>
45  <body>
46    <h1>音声分類結果</h1>
47    {}
48  </body>
49</html>
50"""
51
52if __name__ == '__main__':
53    app.run()

app.py
1import os
2import librosa
3from flask import Flask, render_template,request
4import numpy as np
5import torch
6from torch.nn import CrossEntropyLoss
7import torch.nn.functional as F
8from torch.utils.data import DataLoader, Dataset
9from sklearn.model_selection import train_test_split
10import glob
11
12
13app = Flask(__name__)
14@app.route('/')
15def index():
16    return render_template('index.html')
17
18def extract_features(file_path):
19    # ファイルから音声データをロード
20    signal, sample_rate = librosa.load(file_path, sr=None)
21
22    # メル周波数ケプストラム係数 (MFCC音声を数値データに変換する際に使われる手法) の算出
23    mfccs = librosa.feature.mfcc(signal, sample_rate, n_mfcc=20)
24
25    # 平均を取ることで、1つのフレームに圧縮　各列（時間軸）に沿った平均値を計算して、結果を1次元の行列に格納します。
26    mfccs = np.mean(mfccs, axis=1)
27
28    return mfccs
29#MFCC1つ目の引数はオーディオ信号を表すnumpy配列2つ目の引数はサンプリングレートを表しますn_mfccパラメータは、計算されるMFCCの数を決定します。
30def mfcc(audio, sr):
31    return librosa.feature.mfcc(y=audio, sr=sr, n_mfcc=40)
32
33# Define the neural network architecture
34class Net(torch.nn.Module):
35    def __init__(self):
36        super(Net, self).__init__()
37        self.fc1 = torch.nn.Linear(20, 100)
38        self.fc2 = torch.nn.Linear(100, 50)
39        self.fc3 = torch.nn.Linear(50, 10)
40
41    def forward(self, x):
42        x = F.relu(self.fc1(x))
43        x = F.relu(self.fc2(x))
44        x = self.fc3(x)
45        return F.log_softmax(x, dim=1)
46    def train_net(self, train_loader, optimizer, criterion, epoch):
47        self.train()
48        train_loss = 0#トレーニング中に計算される損失と正確性のための変数
49        correct = 0
50        #batch_idxは、現在のバッチのインデックス
51        for batch_idx, (data, target) in enumerate(train_loader):#enumerate(train_loader)は、データセットのバッチごとにインデックスとそれに対応するデータを返すイテレーターです。イテレーターとは、データの集まりを順番に取り出して処理するための仕組みです。
52            optimizer.zero_grad()#以前のバッチで計算された勾配をリセットします。
53            output = self(data.float())#モデルに入力データを提供し、出力を計算します。
54            loss = criterion(output, target)
55            train_loss += loss.item()
56            pred = output.argmax(dim=1, keepdim=True)#各入力に対する予測クラス
57            correct += pred.eq(target.view_as(pred)).sum().item()#予測クラスとラベルが一致する場合に正解数をインクリメントします。
58            loss.backward()#勾配計算
59            optimizer.step()#最適化関数パラメータを更新します
60            if batch_idx % 50 == 0:#50の倍数の場合、進捗状況を表示します
61                print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
62                    epoch, batch_idx * len(data), len(train_loader.dataset),
63                    100. * batch_idx / len(train_loader), loss.item()))#correctは、正解ラベルを予測できたトレーニングデータの数です。
64            train_loss /= len(train_loader.dataset)
65            train_acc = 100. * correct / len(train_loader.dataset)
66            print('Train Epoch: {} \t Loss: {:.6f} \t Accuracy: {}/{} ({:.0f}%)'.format(
67            epoch, train_loss, correct, len(train_loader.dataset),#len(train_loader.dataset)はトレーニングデータの総数です。
68            100. * correct / len(train_loader.dataset)))#train_lossは、現在のエポックで計算されたトレーニングロスをトレーニングデータの数で除算して求めた平均ロスです。
69            print('Train set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)'.format(
70            train_loss, correct, len(train_loader.dataset), train_acc))#{:.0f}%は小数点以下を表示しないようにしてパーセンテージを表示するための指定です。
71        if epoch % 5 == 0:
72            torch.save(self.state_dict(), 'model.pt')
73
74    #クラス終わり
75class MusicDataset(Dataset):
76    def __init__(self, data_path):
77        self.file_paths = glob.glob(data_path)
78        self.sample_rate = 22050
79
80    def __len__(self):
81        return len(self.file_paths)
82
83    def __getitem__(self, index):
84        file_path = self.file_paths[index]
85
86        # ファイルから音声データをロード
87        signal, sample_rate = librosa.load(file_path, sr=self.sample_rate)
88
89        # メル周波数ケプストラム係数 (MFCCs) の算出
90        mfccs = librosa.feature.mfcc(y=signal, sr=self.sample_rate, n_mfcc=40)
91
92        # 平均を取ることで、1つのフレームに圧縮
93        mfccs = np.mean(mfccs.T, axis=0)
94
95        # 正解ラベルの取得
96        label = os.path.splitext(os.path.basename(file_path))[0]
97
98        return mfccs, label
99
100    #ここまでがMusicDatasetクラスの終わり
101
102
103if __name__ == '__main__':
104#データの取得
105    x= []#空のリスト x を作成します
106    y = []
107    genres= '/Users/genres'#ディレクトリ genres のパスを指定します。
108    for label in os.listdir(genres):#genres 内のディレクトリ内のファイルをループ処理します。
109        label_dir = os.path.join(genres, label)#ディレクトリ genres とループ処理中のファイル名 label を結合して、ファイルのディレクトリパスを取得します。
110        for file in os.listdir(label_dir):
111            file_path = os.path.join(label_dir, file)#具体的に何しているのディレクトリ label_dir とループ処理中のファイル名 file を結合して、ファイルのパスを取得します。
112            mfccs = mfcc(*librosa.load(file_path, sr=None))#librosa.load を使用して、ファイルを読み込み、mfcc 関数を使用してMFCCを抽出します。
113            x.append(mfccs)#MFCCをリスト x に追加します。
114            y.append(label)#ループ処理中のラベル名をリスト y に追加します。
115    x = np.array(x)#x リストを NumPy 配列に変換します。
116    y = np.array(y)
117    # 分割する the dataset into training and testing sets
118    X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42)
119    # Create DataLoader objects
120    train_dataset =MusicDataset(X_train, y_train)
121    test_dataset =MusicDataset(X_test, y_test)
122    train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
123    test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)
124    # Initialize the model, optimizer and loss function
125    model = Net()
126    optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
127    criterion = torch.nn.CrossEntropyLoss()
128  # Train the model
129    for epoch in range(1, 51):
130        model.train_net(model, train_loader, optimizer, criterion, epoch)
131# Evaluate the model on the testing set
132    model.eval()
133    test_loss = 0
134    correct = 0
135#勾配を元にパラメータを修正　損失の記録
136    with torch.no_grad():
137      for data, target in test_loader:
138          output = model(data.float())
139          test_loss += F.nll_loss(output, target, reduction='sum').item()
140          pred = output.argmax(dim=1, keepdim=True)
141          correct += pred.eq(target.view_as(pred)).sum().item()
142          test_loss /= len(test_loader.dataset)
143          test_acc = 100. * correct / len(test_loader.dataset)
144          #損失の確認
145          print('Test set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(test_loss, correct, len(test_loader.dataset), test_acc))
146# Save the trained model
147          torch.save(model.state_dict(), 'model.pt')
148    app.run()