app.py

import gradio as gr
import numpy as np
from tensorflow.keras.preprocessing import image
from tensorflow.keras.models import load_model
import matplotlib.pyplot as plt
from PIL import Image as PILImage
import io

# Carregar o modelo treinado
model = load_model('model_1.0000.h5')

def predict_and_invert(input_image):
    # Redimensionar a imagem para (224, 224) - o tamanho esperado pelo modelo
    input_image = input_image.resize((224, 224))
    
    # Converter a imagem para o formato correto
    img = image.img_to_array(input_image)
    img = img / 255.0  # Normalizar a imagem (como fizemos durante o treinamento)

    # Ajustar a imagem para o tamanho correto (224, 224, 3)
    img = np.expand_dims(img, axis=0)
    img = img[:, :224, :224, :]  # Ajustar para 224x224 pixels

    prediction = model.predict(img)

    # Interpretar o resultado
    if prediction[0][0] > 0.5:
        result = "Há uma alta probabilidade de anomalia cardíaca (Doente)"
    else:
        result = "Não há evidência significativa de anomalia cardíaca (Normal)"

    # Inverter a imagem
    img_inverted = 1 - img  # Inverter a imagem

    # Converter a imagem invertida de volta para o formato PIL
    img_inverted_pil = PILImage.fromarray(np.uint8(img_inverted[0] * 255))
    img_inverted_bytes = io.BytesIO()
    img_inverted_pil.save(img_inverted_bytes, format='PNG')

    return result, img_inverted_pil

# Criar duas interfaces Gradio idênticas
iface1 = gr.Interface(
    fn=predict_and_invert,
    inputs=gr.inputs.Image(type="pil", label="Carregar uma imagem"),
    outputs=["text", "image"],  # Agora temos duas saídas: texto e imagem
    title="Modelo de Classificação de Anomalias Cardíacas - Interface 1"
)

iface2 = gr.Interface(
    fn=predict_and_invert,
    inputs=gr.inputs.Image(type="pil", label="Carregar uma imagem"),
    outputs=["text", "image"],  # Agora temos duas saídas: texto e imagem
    title="Modelo de Classificação de Anomalias Cardíacas - Interface 2"
)

# Executar ambas as interfaces Gradio
iface1.launch()
iface2.launch()